摘要：对智能推荐系统中用户兴趣跟踪问题的研究，传统方法如时间窗口、遗忘函数等在表征用户兴趣模型时均未考虑兴趣主题概念相关性，无法充分利用用户历史数据，导致兴趣跟踪不准确。因此，本文提出了基于分页缓存的用户兴趣表征模型，形成基于主题的用户多兴趣域结构，并提出了相应的兴趣迁移检测SIM算法，该算法引入序列熵差，表征兴趣迁移的整体特性。实验表明，与传统方法相比，本文提出的方法具有更低的兴趣平均绝对偏差，能够更准确地表征用户兴趣迁移，从而获得更好的推荐质量和效率。

关键词：分页缓存 兴趣迁移 序列熵差 兴趣更新 

单位：武汉大学计算机学院 湖北武汉430072 武汉大学软件工程国家重点实验室 湖北武汉430072