近年来,随着Web技术的迅速发展,网络资源呈现爆炸式增长,资源的数量越来越庞大,资源总类日渐繁多。如此丰富的资源为人们的学习和生活带来了便利,人们可以通过网络方便的获取自己想要的各类资源信息。与此同时,如此海量的资源信息也给人们带来了不便,人们陷入了“资源丰富,信息缺乏”的窘境。如何从海量的网络资源中快速、准确的找到自己真正需要和有价值的信息成为人们迫切希望解决的问题。个性化推荐技术也因此受到人们广泛关注。基于主题聚类的Web资源个性化推荐技术既能利用聚类技术将同类的Web资源进行统一管理,又能依据用户的个体差异对用户进行合理的资源推荐,能够较好的满足人们快速获取信息的需求。本文首先系统的介绍了国内外Web资源个性化推荐和聚类技术的研究现状及相关算法,然后,着重介绍了基于主题的Web资源聚类方法(TWTC,Theme-based Web Text Clustering),传统的聚类方法或者没有考虑Web资源的主题信息,或者只考虑了单一主题的情况,而对于包含多个主题的Web资源还没有很好的聚类方法,基于主题的Web资源聚类方法正是基于此提出,该方法包括主题抽取、特征提取、特征表示及Web资源聚类几个步骤。其中,主题抽取是对Web资源预处理后产生的词集进行聚类,从而抽取Web资源的各个主题;特征提取是依据主题的权重,从各个主题中提取特征词以表征Web资源:特征表示是借助于VSM模型,用提取的特征词及相应权重表示Web资源;Web资源聚类是在特征表示的基础上,计算两个Web资源的相似度,并将相似度达到一定值的Web资源聚为一类。接着利用隐式跟踪方法对用户兴趣进行挖掘,通过在服务站点观察用户的浏览行为,计算用户对Web资源的兴趣度,并构建用户感兴趣的Web资源队列,然后利用TWTC聚类方法从用户感兴趣的Web资源队列中挖掘用户的兴趣信息。最后基于Web资源和用户兴趣的匹配度对用户进行Web资源的个性化推荐,本文考虑了用户兴趣可能随时间推移而发生偏移的情况,定期对获取的用户兴趣信息进行更新,并按照更新后的用户兴趣兴趣信息对用户进行动态Web资源推荐。实验部分选取另外三种方法与本文的方法进行了两组对比试验,并采用准确率和召回率对实验结果进行评价。试验结果表明,本文所提出的基于主题聚类的Web资源个性化推荐方法在准确率和召回率上比其他三类方法都有所提高,而且随着资源总数量的增加,本算法的稳定性也相对较好。本文创新点在于:首先,提出一种基于主题的Web资源聚类方法,该方法充分考虑Web资源的主题信息,在此基础上对Web资源聚类,提高聚类的准确率和召回率;然后,借助于此方法,对用户兴趣进行挖掘,从而提高用户兴趣模型的准确性,进而提高个性化推荐的准确率:同时考虑用户兴趣可能发生偏移,利用了时间窗格对用户兴趣进行更新,实现Web资源动态推荐。本文主要采用基于内容的方法对Web资源进行个性化推荐,但此方法目前只适用于Web文档资源的聚类,本课题以后将继续研究对Web音频和视频资源的聚类和推荐。