面对互联网所引发的信息爆炸,用户的个人注意力愈来愈显得弥足珍贵,人们对这些泛滥的信息往往无可适从。用户兴趣模型及其对应的个性化推荐服务,实现了向用户推荐其感兴趣的信息,这在很大程度上缓解了有限的注意力和庞大的信息体之间的矛盾。目前,用户兴趣建模作为个性化推荐推荐服务的基础成为了越来越多研究人员的研究热点。心理学证明在内外各种环境因素的影响下用户的兴趣往往会发生各种形式多变的变化,在这里我们把此类兴趣变化称作用户兴趣迁移(User Interest Drift)。而如何准确预测用户兴趣的迁移行为,如何将用户当前发现的迁移兴趣和原有的兴趣有机结合在一起建立对应的用户兴趣模型,如何使得基于此模型的示范系统向用户提供较高质量的推荐服务,这些正是本文要做的工作。本文的工作主要分为两步:第一是提出周期性迁移兴趣模型CDIM;第二是在CDIM的基础上设计了一种示范系统。本文的重点是提出了一种新的兴趣迁移模型(Drift Interest Model)--周期性迁移兴趣模型(Cycled Drift Interest Model)。在基于用户迁移兴趣的周期性研究的基础上,对用户的兴趣迁移提出了若干定义和规则,据此对用户兴趣模型进行更新,并且可以预测用户兴趣变化的趋势。在建立CDIM过程中,首先对兴趣进行了分类——长期迁移兴趣,短期迁移兴趣,接着依据提出的周期性迁移兴趣定义和规则对原始的兴趣模型进行更新。不同的迁移兴趣采用了不同的更新机制。对短期兴趣采用滑动窗口,而对长期兴趣采用了自适应最优化窗口和基于概念相关的渐进遗忘机制,另外作为处理迁移兴趣的时间窗口,本文还提出了一种新方法—对数非均衡时间窗口。在CDIM的基础上,本文构建了一个示范系统。通过该示范系统有效证明了“周期性迁移兴趣模型CDIM”对用户个性化推荐质量的影响。本文将设计并实现适用于CDIM应用领域的相关示范系统。通过该示范系统衡量不同模型之间的推荐效果,实验证明了本文提出的两种基于兴趣迁移的用户兴趣模型在兴趣发生迁移之后,其推荐精确度高于同类的两种DIM(迁移兴趣模型)。本文对提出的兴趣模型的推荐质量进行实验测试,并且和其他几种兴趣模型的推荐质量作了实验对比。实验结果表明,本文提出CDIM较以往的传统兴趣模型对兴趣推荐的精确度和召回率方面都有一定的提高。