随着信息技术和移动互联网的飞速发展,移动智能终端日益普及,并将我们带入到信息爆炸时代,人们每天都要接触到无数的垃圾信息。特别是移动互联网的便携性、实时性使得人们能够随时随地获得大量信息。用户迫切希望从海量信息中获取有用信息。这对互联网内容提供商提供服务有着精准性和针对性的新要求。而解决这一问题的关键是必须准确把握用户的需求,根据他们的兴趣进行准确的信息推送和个性化服务。因此分析研究如何获取用户兴趣具有十分重要的意义。本文研究了基于网络浏览行为分析的用户兴趣计算和建模方法,在传统层次向量空间兴趣模型中引入情景因素改善了模型性能,改进了传统的K-means聚类算法和模糊C均值聚类算法并利用改进算法对用户兴趣进行分析,使得用户兴趣的获取和分析准确性有了明显的提升。最后,论文设计了一个基于JFinal开源框架的用户兴趣分析系统。本文主要研究内容为:(1)用户兴趣度量与计算。通过分析用户网络访问过程中的浏览活动,从中发现并计算用户的兴趣,并给出其计算方法。(2)对传统向量空间兴趣模型进行了改进。在传统层次向量空间兴趣模型中引入情景因素,使其具有更好的通用性和适应性。(3)对传统K-means算法和传统模糊C均值算法进行了改进。在传统Kmeans算法的基础上,引入加权欧式距离来基于密度确定初始聚类中心,提高了算法精确性。针对传统模糊C均值算法容易陷入局部最小解的不足,通过引入遗传算法的自然选择和进化理论,显著改善了聚类效果。(4)用户兴趣分析系统。本文基于JFinal开源框架开发了一个用户兴趣分析系统,能够对用户的浏览行为详细分析来找出用户潜在兴趣,并按照用户兴趣实现商品推荐,具有良好的应用意义。