随着互联网流量的日益激增,现有互联网架构和内容传输技术体系越来越难以为高效信息共享提供有效的支持。播存结构将广播分发模式引入现有互联网体系结构,将大量用户所共同感兴趣的资源,通过物理广播直接辐射分发至边缘服务器供用户访问,极大地降低网络冗余流量,缓解“信息过载”问题,实现高效信息共享。统一内容标签UCL是播存结构的基础,用户通过UCL判断是否需要访问信息资源全文。然而由于UCL数量巨大,用户难以有效选择符合自身兴趣的UCL,如何将UCL个性化推荐给用户,高效地实现无限内容与有限用户兴趣之间的匹配,成为播存结构的关键。协同过滤是一种应用广泛的兴趣适配方法,但在播存结构中,已有方法存在着极大不足。首先,在相似邻居挖掘阶段,已有方法往往仅基于用户对项目的数值评分信息,无法充分利用丰富的UCL属性及用户属性信息,造成相似邻居挖掘准确度较低;其次,在预测用户兴趣阶段,已有方法预测参数固定,预测性能通常因数据集而异,而在播存结构中,由于UCL的不间断分发,其数据集变化频繁,已有研究难以有效应对;最后,在优化推荐列表多样性阶段,传统方法大多需要训练多样性控制参数,同样难以适应播存结构中数据集的频繁变化,此外传统方法无法兼顾用户评分及UCL语义信息,缺乏推荐时效性考虑,方法多样性效果较差,抑制了播存结构的整体性能。本文针对上述问题,从四个方面入手展开对播存结构中基于协同过滤的内容推荐技术的研究工作。首先,研究播存结构中高效的用户聚类算法及UCL分类算法,基于二者分别提出基于用户社会信息及UCL属性信息的相似度度量方法,实现相似用户及UCL的高效挖掘,为后续兴趣预测打下基础;其次,研究数据密集特征与预测算法性能之间的内在联系,提出一种数据密集特征驱动的用户兴趣预测算法,在播存结构中数据集发生改变时,及时对数据集密集特征进行深入分析及评估,选择合适预测参数,保证预测结果的高效及稳定性;然后,研究设计时间敏感的语义覆盖树,并基于此提出一种播存结构中无加权参数的UCL推荐列表多样性优化算法,在优化过程中,兼顾用户评分信息及UCL语义信息,以完成全面多样化的UCL推荐,并重点研究推荐时效性与算法响应速度;最后,在实际部署的播存结构中设计及实现基于协同过滤的个性化内容推荐系统,并对其各个模块进行全面的功能测试,验证本文研究的有效性和可行性。本文对播存结构中的内容推荐技术进行了深入研究,通过一系列实验以及在实际播存结构中的运行结果表明,本文研究成果能够实现精确全面的UCL个性化推荐,为播存结构的高效运行提供有力支持。同时,本文的理论研究对于其它领域的个性化推荐问题提供了重要参考价值。