Internet的迅速发展,己使它成为全球最大的分布式信息库.用户在享受它方便和快捷的同时,也为它所包含的庞大芜杂的信息所淹没,往往为了找到自己需要的信息花费大量的时间和精力.如何能够更有效、更准确地找到自己感兴趣的信息,滤除与自己的需求无关的信息已成为基于Internet网络信息查询的当务之急.该文以兴趣过滤为出发点,以信息过滤系统的两个关键点:网页和过滤为线索,深入研究了信息在网页中的分布特性和中文网络信息过滤的关键技术,并以此为基础设计了一个中文网络信息过滤系统.Web网页作为文档,除了普通文档具有的内容信息以外,还有一些结构性的标记特征,所以在信息过滤中需要考察信息在网页中的分布特性.该文第二章重点研究了Web文本中信息的分布特性,并根据这些分布特性提出了不同的处理策略,而且通过实验数据验证了这些策略的有效性.在对网络信息过滤的关键技术的研究中,主要探讨了网页表示技术、特征提取技术和四种用于用户兴趣学习的机器学习算法:决策树、规则归纳、贝叶斯和支持向量学习机,并对四种算法的兴趣过滤效率和健壮性进行了分析和评价.评价结果表明支持向量学习机在兴趣过滤中表现了最好的健壮性和最容易接受的过滤效率.文章最后设计了一个基于用户兴趣的信息过滤系统,系统能够通过和用户不断交互,以一个逐步求精的过程,在超量相关文本中过滤掉用户不感兴趣的信息,为用户提供一个较准确的查询结果.它采用向量空间模型作为网页表示的基础,在特征提取的过程中结合了信息在网页中的分布特性,并使用支持向量学习机算法来学习和跟踪用户的兴趣,从而在用户查询时能有效地过滤出用户感兴趣的信息.该系统较好地解决了兴趣过滤问题,同时也弥补了现有过滤系统无法满足用户需求的不足.