随着互联网上房地产信息越来越多，人们从大量的房产信息中找到自己需要的信息也变得越来越困难，因为传统的房地产信息检索系统中没有考虑用户的兴趣偏好，只是机械地进行信息搜索，对于不同的用户，相同的查询词，往往返回相同的查询结果，这样的查询结果已经无法满足用户日益鲜明的个性化需求。本文针对目前房地产信息产业中的上述问题，提出了基于用户偏好模型的个性化房地产信息检索与推荐，并实现了个性化房地产信息检索与推荐系统。本文主要在以下几个方面开展了探索性研究工作：首先在对国内外相关文献收集整理的基础上，针对目前房地产信息中存在的问题，结合信息检索技术、用户模型技术和推荐技术，提出了课题研究的基本思路和技术路线。其次，对用户偏好模型展开深入研究。在模型的更新方面，通过对查询词和检索结果的操作行为进行学习，提出了适应度函数来指导模型的更新；在模型的表示方面，结合房产信息本体的特征采用向量空间模型表示，并设计了特征词典，实现了查询词到用户偏好的映射并能得到具体的权值，以便于相似度的计算来优化检索结果的排序。然后，在前面实现了用户偏好模型的基础上，分析了基于内容的推荐和协同过滤算法的优缺点，提出了一种自适应推荐算法，将基于内容的推荐和基于Item的协同过滤相结合，增加了一个数据结构——最近认可队列，为两种推荐算法的合并策略提供依据并能自适应地改变合并策略的参数，从而达到更好的推荐服务质量。最后，利用前面的理论知识，实现了一个个性化房地产信息检索与推荐系统。通过P@N评测指标对系统的检索性能进行测试，实验证明个性化房地产信息检索与传统的房地产信息检索相比性能有了显著改进，尤其是在对用户偏好模型做初始化的情况下改进效果更为明显，P@N评测指标提高了约25%。在前面实验的基础上，以Precision-Recall和覆盖率为指标对系统的推荐功能进行了测试，实验证明本文中提出的基于内容推荐和基于Item协同过滤相结合的自适应推荐算法相比原协同过滤算法性能有所提高。