随着Internet信息的快速增长，信息极其丰富，而知识相对缺乏，如何准确、快速的从信息海洋中寻求所需知识日益制约人们高效使用网络。为了适应不同用户需求，个性化信息服务为具有不同个性特征的用户提供针对性服务内容及策略。作为个性化信息服务的关键技术，用户兴趣建模的质量直接影响个性化信息服务的性能。用户兴趣建模是个性化服务的基础与核心，而用户的兴趣会随着时间发生变化，这种用户兴趣漂移现象会导致系统预测用户兴趣的准确性下降。为此，本文提出一种基于层次向量空间模型的用户兴趣模型表示及更新处理机制，基于特征项形成兴趣主题，基于兴趣主题形成用户兴趣，由此建立层次型用户兴趣模型。快速估计网页兴趣度，基于用户反馈自适应更新兴趣模型。实验结果表明设计的用户模型表示及更新机制能有效提高个性化服务性能，准确率及召回率均有所提高。本文的主要工作如下：(1)阐述了个性化服务的形式，围绕个性化服务的核心技术——用户兴趣建模技术进行理论分析，主要包括用户兴趣建模的信息来源与用户反馈、用户兴趣表示模型、文本计算、兴趣更新及评价方法等。(2)在分析传统用户兴趣表示模型基础上，提出了基于层次VSM构建用户兴趣模型的方法。基于特征项形成兴趣主题，基于兴趣主题形成用户兴趣，由此建立层次型用户兴趣模型。这种层次性表示相比于传统的整体表示，表达能力更好。(3)在分析已有兴趣漂移领域经典算法基础上，设计了用户兴趣模型自适应更新机制，实现用户兴趣的动态更新。最后对用户兴趣模型的建立和更新做了对比实验，基于不同特征选择方法以及模型更新前后，对模型的性能进行比较，并对实验结果作出分析。实验结果表明，对于系统性能提升方面，TFIDF特征选择方法优于TF方法，基于用户反馈信息的兴趣模型自适应更新算法有效提升了用户兴趣模型的表示能力。易于实现用户兴趣模型的建立与更新，用户兴趣模型能较准确描述用户兴趣及其变化，在个性化推荐服务中具有实际应用价值。