自从互联网开始变革，博客也跟随慢慢崛起，并以惊人的速度发展，到目前为止，博客用户更是达到上千万人。博客已成为人们工作生活必不可少的工具，用户数量的剧增，发表的博客自然也会增多。随着博客资源逐渐丰富，用户通过博客来解决疑难问题或查阅相关信息的使用也变的更多。但目前的博客站点只能简单以阅读量排行、点击排行量推荐结果，并没有根据用户的实际需要来为用户提供相关的博客。因此为了提高用户使用博客黏贴性，需要对用户需求进行分析，了解用户的兴趣，准确的把握用户的兴趣趋向，主动学习用户兴趣趋向的变化并调整推荐，满足用户的需要。根据博客用户兴趣的易变性，提出一种基于用户反馈的自适应推荐方法-启发式方法，首先通过分析用户发表的博客类型为用户建立用户模型，并在此基础上记录用户阅读其它博客的行为；然后分析用户的反馈记录（用户的反馈记录则是用户在阅读过程中的行为动作和导航记录），从用户行为动作中挖掘用户的心态，从用户的导航记录中分析用户阅读博客的方式，从中跟踪用户的兴趣点，同时检测推荐的结果是否是用户需要的，并适当调整推荐结果；当兴趣在用户模型中改变时使用贝叶斯修正法更新用户模型。实验分为阈值设定法对比实验和推荐基数选择实验。在阈值设定法对比实验中推荐基数设为5-50，随着推荐基数的增大，推荐的博客数目也会增多，覆盖用户兴趣会更全面，应该是推荐的更全面、更准确。但博客数目过大会影响用户的阅读习惯，用户不会过多关注翻页后的推荐内容，因此在前期对用户阅读有提升，随着数目过大就会逐渐降低推荐效果。推荐基数选择实验是通过不同的基数设置来寻找一个最佳推荐基数，且在不同的环境下推荐基数也是不一样的。通过实验表明，启发式推荐方法可以有效提高自适应推荐博客的质量。