个性化推荐技术近些年得到了飞速发展,其在新闻推荐领域得以广泛应用的同时也取得了很好的效果。个性化新闻推荐技术针对用户偏好进行定制化的新闻推荐,它通过对用户一系列行为历史,属性的分析,计算出基于用户偏好的新闻TOP-K排序,为用户推荐出可能感兴趣的新闻。在个性化新闻推荐中,用户与新闻的特征的表达是关键。然而,用户兴趣偏好面临难以准确量化计算的问题。为此,本文开展针对用户兴趣建模的研究,提出了基于用户长短期兴趣的新闻推荐网络模型。该模型分为两个模块,表征用户长期兴趣与新闻特征的图卷积网络模块以及表征用户短期兴趣特征的神经网络模块。模型通过全连接神经网络对从两个模块得到用户特征与新闻特征进行计算,最终得出用户点击候选新闻的概率。本文的主要工作如下:首先,设计特征融合的图卷积网络。针对用户-新闻的交互关系,提出了特征融合的图卷积神经网络。该模块通过特征融合方法,对图网络的最终输出进行增强。通过注意力计算保留最有用的特征信息,将这些特征进行融合,实现对用户长期特征的增强。融合后的特征作为最终输出,得到增强的节点嵌入表示,提升了模型的表达能力。其次,设计基于权重激活单元的用户短期兴趣模块。针对用户短期兴趣动态变化的问题,提出了基于权重激活单元的用户短期兴趣模块。首先该模块利用从基础特征提取模块获得的输入分别计算出内容级别的用户嵌入与序列级的用户嵌入,然后将两种用户嵌入通过权重激活单元进行计算得出用户行为特征的对应权重,最后加权计算得出用户短期兴趣嵌入。最后,实现新闻推荐系统。设计并实现个性化新闻推荐系统,该系统实现了用户个性化新闻推荐,新闻阅读等基本功能。通过将本文的框架应用到推荐系统中,提高了推荐系统对用户个性化新闻推荐的准确性。