随着互联网不断普及,互联网络已成为人们进行进行资源共享和信息获取的重要方式。海量信息资源既丰富了人们的生活也给人们带来了信息过载问题,在这种背景下,信息过滤技术已广泛的应用于当前个性化推荐领域。而个性化推荐的关键就是构建用户偏好模型,其目的就是帮助用户从大量的信息中挑选出感兴趣的信息,通过用户对相关资源的评价来计算用户之间的相似性,然后利用计算所得的相似用户预测当前用户对资源的喜好程度。为了能够更精确地给上网用户提供有效的信息和产品服务,在基于个人兴趣基础上探索用户偏好模型的构建具有更广泛的应用。当前,用户偏好的表示方法主要有两种：定性方法和定量方法。由于用户的偏好一般都是基于一定的环境,在此基础上又出现了诸如基于上下文的偏好和基于混合用户偏好等方面的研究。但是现有的偏好表达模型存在许多不足之处,例如：定性的方法不利于直观描述任何两个具体用户偏好之间的关系,而定量方法不具备数据量化的表示、很难将复杂的偏好模型化。为了弥补这些方法的不足,本文在传统的用户偏好模型的基础上引入个人兴趣的概念,通过将个人兴趣分解为短期兴趣和长期兴趣的方法来区分用户不同时期的信息需求,在此基础上分析了传统用户偏好模型的缺陷,建立了具有动态反馈能力的个人兴趣偏好模型。这个模型能够更加充分地描述用户的兴趣需求,特别适应于个人兴趣的快速变化的情况。本文从以下几点来展开工作：(1)首先介绍了用户偏好模型的研究背景、研究意义以及国内外的研究现状。(2)接着介绍了用户偏好建模的各方面技术,包括用户偏好模型的表示、偏好模型的构建方法以及用户偏好模型的表征技术。(3)进而描述了用户偏好模型的构建,包括如何构建用户的短期兴趣和长期兴趣偏好向量,以及他们之间的交互关系和更新策略。(4)最后详述了基于个人兴趣的用户偏好模型推荐系统的设计思路,以及推荐系统各个模块之间关系。并通过实验对比了本文提出的模型与传统用户偏好模型在推荐效果上的差异,实验结果显示新模型能够更好地描绘用户兴趣的变化,提供更好的个性化推荐。