近年来,随着因特网的迅猛发展,web信息呈几何级数增长,人们需要花费大量时间才能找到自己需要的信息,个性化推荐作为信息过滤的重要手段,是解决当前信息过载问题的一种很有效的方法。而用户兴趣模型是个性化推荐系统的核心,一个良好的兴趣模型能够更好的改善用户的上网体验和信息利用效率,因此兴趣模型的研究成为了学术界和IT界的热门课题。论文以文本信息处理技术为基点,以建立有效的兴趣模型为目标。主要围绕着用户兴趣度度量和兴趣模型的表示更新两方面展开研究工作,并建立有实际应用意义的新闻推荐系统。论文的主要内容如下:(1)针对现有用户兴趣模型在模型建立阶段用户兴趣评价的不足,提出了一种基于混合行为评价兴趣度值的方法,突出了用户阅读时间的特殊性,在用户阅读时间异常的情况下利用其它浏览行为来量化用户兴趣度,并将此得到的兴趣度应用到传统VSM模型中,使拓展后的兴趣模型同时携带了内容和行为信息。(2)针对用户兴趣模型建立后,随之而来的系统存储量、计算量剧增问题,提出了时间分段机制对兴趣模型进行优化,达到了降低兴趣模型计算量和存储量的目的。另外,由于人的兴趣随着时间不断进行变化,在时间分段机制的基础上,提出了用户兴趣漂移机制,用以反映人的兴趣变化规律,使得到的兴趣模型更加准确。(3)基于兴趣模型理论基础构建了新闻推荐系统,采集了2000篇新闻网页作为数据集,系统持续采集用户浏览行为,分析用户兴趣,建立并更新用户兴趣模型,最终根据兴趣模型向用户提供网页推荐。经过实验和观察,验证了本文提出的基于混合行为兴趣度的用户兴趣模型的合理性和有效性。