作为自适应网络环境的具体应用，个性化技术是近年来才出现的一种新技术，其典型代表为个性化推荐。本文较为全面、系统地对自适应网络环境下的个性化推荐进行了研究，较为完整地探讨了个性化推荐系统的整体架构和具体实现方法。　　文章首先对个性化推荐的发展进行了概述，详细研究了个性化推荐的主要组成部分:数据采集及数据预处理，用户模型构建、推荐技术及其应用;然后从系统层面上以不同视角对个性化推荐进行了定义和分类，指出了个性化推荐精度的保障在于高效准确的个性化数据预处理，并在研究现有的数据预处理方法的基础上给出了改进个性化数据预处理的方法;接着文章将多种个性化推荐方法与不同的个性化数据源相结合，对自适应网络环境下的个性化推荐关键技术进行了深入研究，包括基于内容过滤的推荐系统，基于KNN的协作过滤推荐系统，基于潜在语义的协作推荐系统等，并对应提出了能够提高推荐精度的改进方法及实验分析;最后在研究自适应网络环境中个性化推荐行为本质以及用户与网络交互行为的动态更新数据基础上，文章提出了广义的用户特征模型及其整合方法以及基于其上的多种推荐改进技术。　　在研究过程中，文章在多个数据集上进行了大量的实验分析，同时结合一个实际的互联网广告推荐平台，对个性化推荐中涉及到的数据预处理方法，多种个性化推荐改进方法以及广义的用户模型整合技术进行了实践应用。通过将研究结果与实际的商业问题相结合，以大量的实验分析验证了研究过程中所采用方法及技术的可行性、合理性和有效性。　　本文在如下几个方面做了有益的探讨:　　1.从系统层面对自适应网络环境下个性化推荐的架构进行了研究。研究主要集中在两个方面:多种不同的个性化推荐系统，以及用户模型构建及其整合方法。前者主要集中于如何在单一的推荐系统内部改进及优化推荐精度，后者则从广义的用户模型整合角度阐述了混合多种推荐方法提高推荐精度的可能性。　　2.在基于内容过滤的推荐中，从用户偏好的角度提出了基于语义关联树的查询扩展算法。语义关联树可以根据用户兴趣灵活有效地对关键词进行扩展，基于该方法的推荐系统具有兴趣自学习能力并且能有效提高推荐精度。　　3.在基于KNN的协作过滤推荐技术中，定义了用户稳定兴趣及偶然兴趣，并将其作为影响权重构建了拟合用户兴趣演变特性的改进推荐模型。针对传统KNN方法在相似性函数，项目相互关系以及过拟合等方面存在的问题，提出了新的回归预测模型加以解决。为了解决海量数据相似度计算瓶颈，引入了并行技术改进了KNN建模的性能。这些方法能有效提高推荐精度和降低建模时间。　　4.在基于潜在语义的协作推荐中，利用潜在语义特征对原始的用户-项目评价矩阵进行降维，实现了基于潜在语义的协作推荐。在此基础上通过对潜在语义模型中的传统矩阵SVD（奇异值分解）方法进行拓展，提出了新的基于潜在语义模型的推荐算法。这些方法能在有效降低建模复杂度的同时提高预测精度。　　5.通过引入推荐所处的上下文环境定义了广义通用的用户模型并提出了基于展示方式整合以及跨维度整合的多种用户模型整合概念及方法。