随着信息高速公路的发展和普及,人们被包围在信息的汪洋大海之中。因特网上的信息资源呈指数膨胀,是海量的信息源,其信息组织具有异构的、多元的、分布的等多种特性。因而,能为用户提供有效信息推荐、帮助用户找到所需的有价值信息的个性化推荐系统在Web 信息检索领域获得了广泛关注,并且在实际的个性化服务系统中也得到了广泛应用。但是,随着个性化服务系统规模越来越大,个性化推荐系统也面临着一系列挑战。如:有效推荐算法的设计问题,实时性与推荐质量间的平衡问题,推荐系统的体系结构问题,推荐结果解释问题等。本文针对个性化推荐系统中的推荐算法设计和推荐系统体系结构等关键技术,进行了较为深入和有益的探索与研究。首先,我们对个性化服务推荐系统体系结构做了一定的研究,提出了一种能区分用户长期兴趣和近期兴趣提供信息推荐的新的个性化推荐模型。然后,对推荐系统的实时性与推荐质量之间的平衡做了有益的探索,不仅提出了通过捕获用户的浏览行为、及时获取用户的近期兴趣、形成用户近期兴趣视图,并为用户提供及时有效的近期兴趣信息推荐的个性化推荐方法;而且提出了一种通过离线加权关联规则发掘项目间的关联以获得用户长期关注项目、从而为用户提供准确有效的用户长期关注项目信息推荐的新的个性化推荐方法。在为用户提供近期感兴趣信息推荐时,因为用户在浏览网页时的行为能从某种程度反应用户的浏览兴趣,所以我们首先对用户浏览行为进行捕获,并采用多元回归方法计算用户浏览行为与网页兴趣度之间的定量关系将网页兴趣度与网页分类树(WPCT)结合生成用户近期兴趣视图(CIV),并利用该近期兴趣视图为用户提供基于内容的协作过滤个性化信息推荐服务。在为用户提供长期关注项目的信息推荐时,我们首先采用一种新的加权关联规则算法来发掘项目间的关联,然后引入选择关注度,将其与关联规则的置信度相结合得到推荐度。进而利用推荐度的大小为用户进行长期兴趣的个性化推荐服务。最后,我们对论文提出的改进方法做了较为全面的模拟实验。分析表明,文中的方法能有效地提高信息推荐的质量和推荐的实时性,而且算法编程容易实现。论文研究工作在个性化服务推荐系统领域中具有很好的学术参考价值和较好的应用价值。