随着计算机技术、通信技术、网络技术等的飞速发展,业务的服务模式将从“以网络为中心”和“以内容为中心”向“以用户为中心”转变。未来的融合网络所承载的业务除了具有泛在性和融合性之外,个性化、自适应性和上下文感知能力将会是未来融合业务的主要特征。这就要求未来融合业务能够感知并且预测周围环境信息,然后根据其变化和用户的偏好为用户提供个性化的服务。而用户的偏好会根据上下文的改变而动态变化,因此个性化业务也必须能够根据上下文的变化进行适应这种变化的动态调整,从而尽可能满足用户因为上下文变化而改变的业务偏好,即基于用户偏好进行业务适变。目前传统智能网技术实现了业务控制和业务承载的分离,Parlay和Parlay X框架的提出也极大促使承载网络的能力被封装成为直接可以供业务使用的标准接口,从而使业务与底层网络的依赖性大大减少。但当前业务的“智能”仅仅是一种预先写死在业务控制逻辑中的“有限智能”,只能根据预先写好的业务执行流程做出有限的适变,根本无法对上述这种具有适变能力的个性化业务提供必要的支持。因此,需要针对融合泛在网络环境下业务的特点,对基于用户偏好进行动态适变的个性化业务的提供机制进行深入的研究,为“以用户为中心”的业务的实现提供必要的理论支持。针对以上问题本文首先提出并且定义了基于上下文的用户偏好模型,然后提出采用基于改进的模糊学习分类器系统创建该模型,并且根据该模型为用户提供个性化的适变决策,此外还对各种加速算法收敛速度的机制进行了深入的研究。最后,本文提出一种基于相似用户协作进化的机制用于解决单一用户算法收敛速度慢和未覆盖上下文情况下适变决策的问题。主要内容包括：1.针对当前用户偏好模型不能很好地表示和处理基于上下文特别是模糊上下文的用户偏好的问题,本文提出了一种结合规则和定量偏好的基于上下文的偏好模型,对其中的上下文部分采用模糊本体进行建模,并针对引入模糊上下文之后的上下文推理问题,提出了采用模糊证据理论完成不确定性上下文推理的方法。该模型是本文基于用户偏好进行个性化适变决策的依据和后续研究的基础。2.针对当前必须要手工制定或者需要离线学习等方法来生成业务适变规则的难题,本文提出了基于XCS(eXtend Classifier System,扩展学习分类器系统)算法来生成适变规则。然后针对XCS仅仅考虑了离散型上下文的情况,本文提出了改进的iXCS算法来支持混合上下文类型。此外在iXCS基础上针对目前的研究对于分类器条件和动作的考虑太过简单的问题,本文提出了针对复杂的适变动作和参数问题而采用了分层动作模型和贪心策略的iXCSCAP算法。iXCSCAP实际上是iXCS的扩展,二者可以分别用于解决简单动作和复杂动作的业务适变决策问题。实验的结果表明iXCS算法比其他方法具有更高的精确度和可解释性,而改进后的iXCSCAP算法在针对复杂动作的时候具有更快的收敛速度。3.针对传统XCS以及基于XCS改进的iXCS和iXCACAP算法收敛速度慢的问题,本文提出了嵌入用户知识、采用Fuzzy UCS进行半监督学习和采用模拟退火准则的方法来加速收敛。其中,嵌入用户知识的方法通过直接手工嵌入用户偏好规则来加速收敛,采用Fuzzy UCS进行半监督学习的方法能够自动学习用户最优动作从而加速收敛,而采用退火准则的方法能够在不需要用户反馈最优动作的情况下加速收敛。这三种方法具有不同的应用场景。实验表明,三种加速策略都能较好地解决相应应用场景下算法的收敛加速问题。4.针对传统XCS以及基于XCS改进的iXCS和iXCACAP算法仅仅针对单一用户来进行训练和学习导致收敛速度慢以及训练前期有较多覆盖的上下文适变决策的问题,本文中提出了协同XCS算法,基于静态和动态两种用户相似度度量,利用相似用户来进行协同进化,从而加速算法的收敛速度,并解决基于未覆盖上下文的适变决策问题。实验结果表明该算法能够有效利用相似用户来加速当前用户的收敛速度,并能够对未覆盖上下文进行有效的适变决策。5.最后为了推动个性化业务的实际应用,本文以本人所在国家重点实验室交换与智能控制研究中心的NGN实验平台为依托,对它的实现机制进行了研究,并且提出了一个个性化业务的适变框架,框架的核心是基于GBML的中间件。