网络资源中的信息量随着网络技术的发展也在急剧增加,用户面对浩渺的信息如何寻找到自己感兴趣的项目变成了负担。用户兴趣的差异是不一样的,但大多数目前的网络应用程序都提供的是相同的信息,因而不能满足用户的个性化需求。搜索引擎的出现可以使用户使用关键词查询自己感兴趣的项目,然而它的服务却是被动的,并且系统返回的结果也不一定能满足用户兴趣的需求。个性化推荐系统的诞生缓解了这一问题,个性化推荐系统能够自动的为用户发现兴趣,并推荐用户感兴趣的项目,因而成为了一种新的服务方式。通常,为了构建一个推荐系统,一般都会考虑使用两种最常见的推荐方法(或算法)：基于内容过滤方法和协同过滤方法。然而,这两种推荐方法都有各自的技术缺点。特征提取和特征表达是基于内容过滤方法的困难之处,同时其也难以处理对用户兴趣趋向的预测。协同过滤方法则需要面临冷启动问题和矩阵稀疏性问题。因此,推荐算法仍有很多改进的地方。此外,传统的推荐算法和系统所使用的项目和用户数据模型非常的简单,其单纯的使用评分和关键词来代表用户兴趣和项目内容。推荐过程中使用的相似度计算公式不能考虑到项目特征和用户兴趣间更深层次的语义关系,因也推荐系统的精确度很低。最后传统的推荐系统所使用的用户兴趣模型的更新方法也很简单,造成用户兴趣不精准和推荐系统反映不灵敏等问题。本文的所有工作都是为了解决传统推荐算法的不足和提高推荐系统的推荐质量,本文采用本体这一新工具用于改良传统的推荐算法。首先本文将本体用于构建电影领域的用户模型和项目模型,使得表达用户兴趣和项目内容的关键词在一个领域本体中,并使各种推荐算法都能使用相同的数据模型。然后,本文构造能够通过分析用户行为数据估算出用户对视频喜好程度的“喜好估算函数”。喜好估值函数一方面可以代替用户评分用于减少传统协同过滤算法的矩阵稀疏性,另一方面又可以为用户兴趣模型的自动更新服务。本文还研究制定一套又快又精准的用户兴趣更新方法,新的更新方法可以又快有精准的分析出用户的新兴趣。另外,文本还构建了用于电影领域推荐的基于本体的相似度计算公式,使得系统在计算相似度时能将关键词之间语义层面的关系涵盖进来。在这些基础之上,本文提出了多种基于本体的推荐算法。在用户兴趣更新算法和推荐算法中,本文将时间因数考虑进来,使得系统能很快的将用户新兴趣展示到推荐结果当中。本文还引入了知识规则,知识规则的应用使得推荐系统更加完备和智能,也使得推荐的结果更加人性化。