随着社会信息化进程的加快,Internet正在前所未有地改变着我们的生活,迅速增长的网络信息形成了海量信息资源。由于缺乏搜索技能、导航工具落后等原因,用户不能有效利用各式各样的网络资源。面对网络信息服务的这种现状,人们在寻求一种主动的信息服务方式,可以将用户感兴趣的信启、主动推荐给用户,这便是个性化的信息服务。个性化信息服务的本质是实现“信息找人,按需服务”,即针对每一个用户的特定信息需求提供特定的信息服务,基于不同用户的信息需求,进行高效的信息过滤。因此,如何更好地挖掘用户的信息需求,是提高个性化信息服务质量的关键问题。本文从用户的信息需求出发,针对基于用户浏览行为的用户兴趣度挖掘进行研究,并对传统的协同过滤算法进行了改进,提出了一个基于用户浏览行为的个性化推荐模型。本文的研究工作由以下两个方面展开：(1)分析用户浏览行为和用户兴趣之问的关系,在此基础上建立用户兴趣度模型,将用户的信息需求量化,以更好地辅助后续的挖掘工作。(2)针对传统协同过滤推荐算法在实时性问题上的不足,即目标用户最近邻查找速度较慢并且结果不够准确,提出了对用户空间进行K均值聚类的改进方法,从而缩小最近邻的查找空间,加快了查找速度,并使查找结果更具代表性。本文提出的个性化推荐模型,采用了基于浏览行为的兴趣度评分机制,并通过K均值聚类改善了推荐结果的实时性。该模型较传统的个性化推荐在的速度和准确性上都有较大的改善,应用领域广泛,为个性化信息服务的提供者提供了很好的参考价值。