随着互联网的不断发展,人们已经被包围在信息的汪洋大海之中。由于信息不断地更新和增加,使用户越来越难从海量的数据和信息中高效地获取有用的知识:从迅速增长的信息中及时地获取最新消息。特别地,自90年代末,Web上涌现了大量的,基于自动Web信息发布管理系统的Blog站点。该类站点数量多,增长速度快,并且其发布的信息个性化强、更新频率高。在可预见的未来,Blog将成为Web信息过载的又一主要源头。 目前,用户主要依赖于信息检索技术,比如基于关键字的搜索引擎,获取有用或符合个人偏好的Blog信息。该方法主要存在如下弊端:①用户必须明确地表达个人的信息需求;②Blog信息极具个人色彩,仅依靠关键字进行检索,将无法考虑该信息的权威性;⑨Blog信息所涉及的类型多样,无法全部用关键字的形式描述。基于协作过滤的推荐系统,能对多种类型的资源进行过滤,并能为用户发现新的感兴趣的信息,已被成功地应用在电子商务领域。然而,传统的协作过滤通常要求数据集中管理,而各个Blog的信息通常分散存在于Web上的各个服务器上。 针对上述问题,论文对现有的基于协作过滤的推荐模型进行了研究,明确了其实现的关键和难点是相邻用户的生成。结合Blog间交互性强的特点,采用语义网技术,论文提出了一个针对Blog推荐的、基于Web社会网络的协作过滤模型。该模型由RSS聚合器、用户建模、Web社会网络、RDF存储与处理,以及RDF采集模块组成。论文对各模块的功能进行了详细讨论,提出了Web社会网络扩展算法、相邻用户生成算法。最后,利用采集自Web的真实数据,对模型进行了验证性实验,证明了该模型的可行性和有效性。