随着互联网技术的迅猛发展,大量信息会在同一时间呈现在我们眼前,海量的信息源能提供丰富的情报信息来源,这些情报越来越受到情报人员的重视,而传统互联网应用无法针对不同用户的兴趣爱好提供相应的服务。信息爆炸导致信息利用率反而降低,这种现象被称之为“信息超载”。为解决这个问题,便产生了个性化推荐技术。本文对当前已有的个性化推荐技术进行研究总结,首先对现有的基于内容的信息过滤技术与协同过滤技术进行深入理解,详细介绍了在协同过滤算法中的稀疏性问题和冷启动问题,以及现有的解决方案。在深入分析这两种方法的基础上,提出了一种新的混合式推荐算法,基于用户行为和“用户一情报”的个性化推荐。本算法在基于相似用户推荐的基础上将用户与情报相结合,采用基于“用户—情报”协同过滤算法。其主要思想是,从用户行为所表现出来对情报内容的关注度,来预测相似用户的关注度,最后给出推荐情报。最后,利用提出的个性化推荐算法完成支持个性化推荐的情报挖掘系统设计与实现。