随着互联网的快速普及和发展,越来越多的用户选择在线方式来获取信息。而信息爆炸让用户不得不花更多的时间来甄别自己想要的信息,甚至难以找到自己想要的信息。在此现状下,如何准确地判断用户的兴趣偏好,并在此基础上将所需信息推荐给用户,提高用户信息查询的效率和满意度,成为了信息推荐研究领域的热点。目前的推荐系统大多基于内容以及协调过滤等传统的推荐算法,对于用户兴趣建模的原始数据一般从用户的历史数据中间接获取,对用户兴趣的描述一般也只分为“感兴趣”和“不感兴趣”两部分,由于分析粒度较大,信息推荐的精度也受到影响。针对上述问题,本文在充分分析协同过滤推荐和基于内容的推荐等传统推荐算法的前提下,从用户自身角度出发,引入情感模型,将情感空间的思想融合到推荐系统中,提出一种以情感为依据的阅读兴趣分类方法。该方法通过测量眼动生理指标,采用广义回归神经网络建模推算用户情感,将用户兴趣用情感解释,实现用户兴趣的细致化分类。本文的主要工作如下:(1)对当前新闻推荐中的主要技术以及相关用户模型进行调查,通过分析现有推荐方法中用户建模以及用户兴趣分类的现状,提出基于情感与兴趣相融合的解决思路。(2)以情感与兴趣相融合的思想为指导,提出基于情感空间的兴趣预测模型系统结构。该系统由眼动信息获取、情感空间量化,情感空间与兴趣融合,以及兴趣预测模型组成。其中兴趣预测以眼动追踪和情感量化为基础,起到预测作用,是系统结构的核心部分。(3)提出一种以情感空间描述用户兴趣的建模方案。通过分析主要的情感空间模型,在PAD三维情感模型的基础上,针对新闻阅读场景选择相适当的情感空间维度,建立PA二维兴趣模型。分析情感模型中每个维度对情感变化的影响,制定由情感到兴趣的映射规则,利用情感空间描述不同的兴趣分类。通过分析眼动与情感之间的关系,选择均值、最值和频率形式等20项眼动数据指标作为影响因子,采用广义回归神经网络,建构用户兴趣模型。(4)建立、分析并验证兴趣预测模型。分别对获取眼动数据和兴趣预测两部分实验进行设计,将通过实验获得的眼动追踪样本数据和用户情感空间调查数据进行分析,建立起眼动追踪数据与情感空间的量化模型。在此量化模型的基础上,对预测值进行误差分析与实验对比,结果显示提案中的兴趣预测模型具有较好的适用性。(5)结合基于内容的推荐算法建立以情感与兴趣融合模型为基础的新闻推荐系统,结果显示基于情感空间的用户兴趣分类对提供更为精准服务的推荐系统的重要性,对比该系统与传统推荐系统的推荐结果,展现情感与兴趣融合型推荐系统在精准推荐方面的有效性。