该文在个性化信息服务推荐和机器翻译的自动评测这两个领域的应用进行了研究和探索.取得的成果包括:(一)在深入研究BLEU和NIST两种机器翻译自动评测标准的基础上,提出了基于TFIDF权重信息的评测标准和相似度计算模型,设计并完成了一个开放性的机器翻译自动评测系统;(二)在分析了传统K-MEANS聚类算法的基础上,利用空间数据结构模型,提出了一种基于k-d树的快速聚类算法改进方案,取得了显著的效果;(三)在合作信息推荐中,为计算用户之间的潜在相似度,给出了EVS(增强矢量相似度)算法,仿真实验表明,EVS算法在计算用户之间相似度方面明显优于传统算法;(四)为了提高合作式推荐系统的运行性能,提出了基于特征项的推荐算法,这种方法就是从信息项之间的关联度挖掘入手,提取对用户具有推荐价值的信息项,对于提高系统的推荐性能是一种很好的解决方案;(五)提出多Agent生态进化算法来解决创新性和适应性的问题,为避免盲目变异产生有价值个体的概率太低的问题,给出了基于语义网络的生态进化算法,以提高系统的有效性.