现代通信技术、Internet技术和多媒体技术的飞速发展，使得用户可以通过各种灵活快捷的方式获取形式多样的信息资源，而这也不可避免的带来了“信息过载”的问题。从基于内容的过滤到协同过滤，研究者们意识到信息过滤不应该单纯的依赖信息本身，还应该从信息的使用者和传递者——“人”出发，分析其偏好和行为等特性，进而有效的挖掘和利用用户间的相互关系，以期实现更为准确和有效的信息过滤，即个性化推荐。相关研究涉及信息检索、数据挖掘、人工智能等众多信息科学领域。 本论文主要围绕开放环境下的个性化推荐模型及算法的研究与实现展开。旨在通过对动态用户行为的捕捉和分析、分布式环境下相似用户查找和互惠社区的自组织构建等关键技术问题的研究，为开放环境下的个性化推荐提供一个通用性强和扩展性好的算法框架，并对不同社区构建模型和算法的有效性和鲁棒性进行验证。同时，将上述研究成果应用于E-Learning领域，为大规模用户集下的网络教学中的学习社区监控和个性化学习资源推荐提供一套切实有效的解决方案，方便相同兴趣和学习状态学生间的资源推荐和协同交流等，从而使其能够有效地共享学习资源和经验。 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.结合社会网络的相关理论和概念，对开放环境下的个性化推荐问题进行了基于多智能代理的形式化描述，提出了一个新颖的基于互惠社区自组织构建的个性化推荐框架模型SORCERY，为解决开放环境下的个性化推荐提供了一种具有良好通用性和扩展性的算法框架。 2.通过七个模块的信息定义，提出了一种能够较好的适合开放应用环境下个性化推荐需求的用户档案模型。并基于该模型，引入组隶属度的概念来衡量用户对特定社区的可信任程度，提出了一种基于多级智能代理机制的信任奖励和动态交换机制，来获取并利用用户在资源请求中包含的个人特征，进而实现互惠社区的高效构建和个性化推荐。 3.将向量空间模型引入上述算法模型，基于不同资源的特征频度向量和用户对该资源的评估值构成用户偏好特征向量(IFV，InterestFeatureVector)，作为衡量用户兴趣一致性和相似用户的匹配的标准，从而解决了单纯依靠资源名称而导致的匹配的准确性下降和交换机制失效的问题，使得该算法能够适应低维度的社区构建。 4.针对上述自组织模型中固定社区结构的缺陷，提出了一种基于自由网络结构的P2P社区模型，将每个用户作为网络中完全平等的对等体，通过智能代理自主维护其在推荐网络中的信任邻居关系。在此基础上提出了一种基于Hebbian一致性学习模型的社区用户的信任权重及社区结构学习算法，使得整个用户网络在多个智能代理的相互作用下形成多个能够动态演化的社区。通过在标准的测试数据集上验证，该算法模型与标准的协同过滤推荐算法和其他基于固定社区结构的自组织机制相比，都具有更好的推荐准确率和社区构建效率。 5.基于上述研究成果，在E-Learning领域中实现了一个基于JADE智能代理平台的学习社区监控和个性化推荐系统。针对我国E-Learning应用用户数量巨大，地域分散的特点，为用户提供了相似邻居管理、资源评估、资源推荐、社区交流等方便实用的功能，有效地促进了兴趣和学习状态相似的学习者之间的资源共享、经验共享和协作学习。