随着互联网技术的迅猛发展,网络信息过载问题越来越明显,如何快速地从海量信息中获取所需的部分,成为一个亟待解决的问题。个性化服务的出现和应用解决了这一难题,它为每个用户提供不同的服务,用户建模技术成为了个性化服务研究的核心问题。RSS信息服务的出现,改变了信息的获取方式,它能够为人们快捷地提供最新的信息。本文将重点研究基于RSS信息源的用户建模及模型更新问题,提高个性化服务的质量。本文提出了双层树状用户模型。其第一层由用户兴趣类和用户兴趣度的二元组组成,模型的第二层是用户兴趣子类,采用向量空间模型表示,由用户兴趣关键词及其权值的二元组构成。通过分析用户浏览行为和用户兴趣之间的关系,计算出页面兴趣等级,以便更新用户兴趣度。随着时间的变化,人们的兴趣也会不断地变化,为了及时、准确地追踪用户的兴趣,本文采用聚类学习、Rocchio算法以及合并更新法来实现用户模型的更新。根据双层树状用户模型的特点,提出了一种将层次聚类和K-means聚类相结合的二次聚类方法,并给出了一种层次聚类合并阈值的计算方法,以提高聚类的速度。通过本文提出的Rocchio单次反馈、多次反馈以及合并更新法实现用户模型的在线学习和离线学习。在线学习提高了系统的可塑性,而离线学习保证了系统的稳定性。最后,通过设计和实现一个RSS新闻过滤系统来测试本文的用户模型及其更新算法。系统利用Google CSE为用户获取更多的相关信息。实验数据表明了本文用户模型及其更新方法是可行有效的。