在互联网上，信息的数量越来越大。用户可以选择的面也越来越广，推荐系统的任务是，要从众多的资讯中，过滤并挑选出符合每个用户口味的内容，推荐给不同用户。在这个过程中，对用户兴趣的刻画、建模是最为重要的一环。
传统的用户兴趣刻画，大多集中于用户基本属性上，例如性别、年龄、职业、收入等，这样提取的用户属性，对用户兴趣的刻画并不够直接，对推荐系统来说，更需要一类直接面向待推荐内容的用户兴趣描述方法，并能方便的应用于个性化推荐系统，进行精准的个性化推荐。本文就此简单做些介绍，注意实际运用时会因地制宜进行更深入的改进。（文/陈运文）
符号标记方法（Notation）
本文中，约定 user代表用户，item代表被推荐对象，log代表用户点击的历史，tag代表标签（标签由一个或多个词汇构成，例如 范冰冰、曲棍球、美国职业篮球联赛等）；category代表分类（例如 体育、娱乐、军事等）；
实现步骤
1 用户点击行为的日志记录
2 基于点击行为，对用户兴趣进行建模，分为三部分进行挖掘，也是本专利的核心内容
3 基于上节生成的用户兴趣模型，进行个性化推荐
4 用户接收到个性化推荐结果后，点击反馈行为将被回收并记录到用户点击行为日志中，用户下一次循环时更新兴趣模型
点击行为记录
点击行为是后续的用户兴趣建模的数据基础。以系统日志的方式进行存储，记录有userid，itemid，时间，点击行为等
用户兴趣建模过程
用户兴趣建模从日志中提取近一段时间的用户点击行为后，对该用户点击的item(对象)进行一下的分析。首先从标签系统说起，因为标签(tag)是对item的一种灵活描述方法。（如下图是图书标签示例）
假定用户日志中，有N个item，分别为item1,item2…, itemN, 每个item携带若干个标签，如item1的标签为：tag1_1, tag1_2, tag1_3…
同样的，我们可以通过item所属的类别（category）来对用户进行建模刻画，例如采用贝叶斯（Bayers）的统计思想进行计算：
公式中，p(click)表示用户点击的概率，计算方法为: 用户点击的总数/用户被推荐的结果总数；P(category_i|click)表示类别category_i被点击的条件概率，计算方法为：属于该category_i的item被点击的数量/用户所有点击的item数量
与该用户的兴趣相似的其他用户，也可以作为用户兴趣建模的一部分。因为这些用户阅读的内容，也可以作为结果推荐给该用户。因此，用户兴趣建模的第三部分，是挖掘相似兴趣的用户并记录在用户兴趣模型中（user interest profile）：
这样能形成User—>User—->Item的推荐过程，将下图中虚线框的部分存储起来，可以构成用户模型的一部分。如果有来自SNS的user间关系，则这里的sim计算可以更复杂一些。
用户兴趣建模和推荐过程
此处的个性化推荐从上面挖掘的3个来源来生成结果，分别是：
1根据user-tags关系，从item中，挑选其中有感兴趣tag的item，加入推荐列表
2 从用户感兴趣的category中，取出最新的item，加入推荐列表
3 用和用户兴趣相似的user中，取出最新观看的item列表，加入推荐列表
以上所有item合并起来，构成candidate item列表，为候选的个性化推荐结果，给用户。用户对这些item的点击情况，将返回到“用户点击日志”系统中，供下一次更新用户兴趣模型时使用。因为用户的兴趣往往是不断变化的，通过这样一套循环系统，能够不断的捕捉用户的兴趣点，让推荐结果保持优质