目前推荐引擎在各个领域都得到广泛的认可,很多推荐引擎考虑到了用户兴趣的因素,但是大部分推荐引擎对于用户兴趣的关注比较单一,没有将用户相对稳定的兴趣和兴趣的演化很好地结合起来,其预测的准确性有待提升。当前的推荐引擎针对性较强,但是对于通用性的考虑不足,导致在某个领域效果较好的推荐算法,难以运用到其他领域。课题在深入分析传统的用户偏好模型的基础上,在用户偏好模型上引入稳定兴趣和兴趣演化的概念,建立了将上述两种兴趣有机结合的新的用户偏好模型,并进一步将其提升为通用模型。首先,本文针对推荐系统中常用的个性化推荐算法在国内外的发展现状进行了综述,对相关理论和技术进行了介绍。在传统的用户兴趣模型基础上,借鉴心理学的相关理论,将心理学的稳定兴趣和兴趣演化的概念运用到用户兴趣的分析和计算,提出了稳定兴趣的通用模型和规律性演化的一般模型。同时,尝试使用关联规则解决兴趣矩阵稀疏性问题,解决了个性化推荐系统的冷启动问题,在较少的数据量的情况下实现准确的推荐。结合以上因素,通过不断修正通用模型的参数,寻求符合特定环境下在用户行为较少的情况下的最佳稳定兴趣推荐模型。当有新用户访问应用的时,应用后台推荐模型会分析用户所处的环境和用户的特征,给用户做最佳推荐,当用户在应用上留下痕迹后,后台系统会根据用户痕迹,利用兴趣演化模型来修正针对个人的稳定兴趣,并且推断用户的近期兴趣。本文采用了某母婴用品APP的相关社区的近一年的用户信息、帖子、圈子、知识以及用户的行为日志数据,该数据集经过预处理后得到9823672个用户在该应用上产生的行为数据,包括对帖子、知识的浏览、收藏、复制、分享、反馈、评价、提问和回答等相关数据,试验结果表明,相比传统的用户兴趣模型,本文的推荐模型和算法在准确率和召回率都得到提升,同时也解决了兴趣矩阵稀疏性问题,验证了基于兴趣演化和稳定兴趣模型的通用性、算法的可靠性、高可用性和自适应性。