本文主要对智能用户建模(UM,User Modeling)这一个性化技术中的核心问题进行研究.目的在于构建合理、有效的数学模型来刻画E-Learning中复杂的用户行为,对学生的学习兴趣和状态进行分析,进而向学生提供个性化的智能辅助教学工具;同时对学生间的关联性进行分析和刻画,在兴趣或是学习程度相同的学生间建立有效的协作关系,实现个性化的学习内容推荐.作者的学术贡献及论文的创新性主要体现在以下几个方面:1. 提出了一种基于案例(Case Based)的用户档案模型,以及相应的档案描述和构建机制,并给出了符合XML标准的框架定义(Schema),为E-Learning这一特定应用提供了一个准确、有效并可重用的用户模型,为开放式的E-Learning环境中的有效用户档案共享和利用提供了一种有效的方式.2. 针对E-Learning环境中用户的分布式特性,提出了一种新颖的基于分布式哈希表(DHT, Distributed Hash Table)的分布式协同过滤算法(DCF, Distributed Collaborative Filtering),解决了分布式E-Learning环境下相似用户的有效查找问题.同时提供了一种将原有协同过滤算法的复杂计算任务分散到各个网络节点进行的有效机制,解决了E-Learning中海量用户数据给传统集中式协同过滤算法带来的可扩展性问题.3. 提出了最多一致意见(MSO, Most Same Opinion)作为一种高效的衡量用户兴趣一致性的标准,通过简单的计算过滤掉了噪音数据,并减少了分布式协同过滤算法中的网络流量,提高了可扩展性.同时提出了平均打分归一化(ARN, Average Rating Normalization)的概念,将用户打分特性与偏好特性分开,提出了一种更加合理和有效的相似用户查找标准,提高了算法的预测精度.4. 提出了一种扩散激活理论(Spreading Activation, SA)的协同推荐网络构建机制,有效的解决了现有协同过滤算法中的新用户(New User)和稀疏性问题(Sparsity).并在此基础上对SA机制对协同推荐质量的影响进行了进一步深入讨论,提出了一种基于迭代收敛的扩散激活参数学习算法,解决了SA在密集(Density)数据集中可能出现的过度激活(Over Activation)现象,使得SA可以作为一种新的相似度衡量机制用于协同过滤.5. 基于案例的推理技术(CBR, Case Based Reasoning)并结合用户交互机制,提出了一种新颖的交互式自动答疑引擎,为E-Learning环境下的大规模并发提问提供了一种有效的解决手段.