互联网技术的飞速发展和新闻平台的多样化,使得人们能便捷地获取、分享信息,同时也产生了“信息过载”。这使人们从海量信息中获取知识的效率受到严重挑战,推荐系统专于应对这一挑战。它是在用户需求不明朗的情况下,通过对用户行为习惯等信息进行综合分析,从而挑选出最合适的内容推送给用户。然而,在新闻场景下,只有部分研究通过深入分析文本内容来确立用户偏好,如DKN算法（Deep Knowledge-aware Network）。该方法尽管通过引入知识图谱缓解了冷启动和数据稀疏问题,却忽视了新闻文本数据所含的大量隐式与显式信息。这些信息是新闻推荐任务中获取用户偏好的关键。因此,本文针对进一步分析与融合新闻文本特征,以实现信息地充分利用和推荐性能地提升,主要做了以下工作:（1）针对DKN算法利用卷积神经网络无法捕捉句中词间远距离信息的问题,本文提出融合位置信息的多头自注意力新闻推荐APMA算法（Auxiliary Position information recommendation with Multi-head self-Attention）。首先,通过TF-IDF算法、实体链接等完成数据预处理,得到词的重要程度、实体和实体上下文,再通过本文设计的双侧位置权重计算模块分别得到新闻侧和用户侧位置影响因子。其次,分别在新闻侧和用户侧的多头自注意力模块中加入相对位置影响因子,再利用附加注意力得到新闻表示和用户偏好表示。最后,计算两者内积得到点击预测结果并获得推荐列表。本文选用了MRR、AUC和F1值三种评价标准,利用MIND数据集,得到APMA比DKN算法在F1值上高了约0.05,证明了推荐性能提升显著,且还验证了该模型中部件的有效性以及参数设置的合理性。（2）为了较为全面地获得新闻的标题、正文和类别等有学习价值的数据,本文提出了两种基于融合多视图下信息的新闻推荐算法,分别是基于多视图的APMA优化算法APMA+和基于异质信息图的多级注意力网络推荐MAHIG算法（Multi-level Attention networks news recommendation algorithm based on Heterogeneous Information Graph）。相对于APMA算法,APMA+算法引入了通过Dense网络处理的类别信息,以及利用提出的长文本过滤机制和突出实体感知模块处理的正文信息,并通过附加注意力机制计算新闻表示。MAHIG算法则通过TF-IDF、LDA算法、实体链接和词嵌入技术进行预处理,获得新闻标题、主题、实体及其关系和节点嵌入,以构建一个蕴含新闻语料的、灵活的异质信息图,再利用两层注意力网络分别计算异质图中词间和类别间的影响权重,融入图卷积网络中获得新闻编码。两种算法均通过注意力机制和内积计算得到用户侧表示和点击预测值。APMA+算法和MAHIG算法均在MIND数据集上完成实验,与其他算法相比,其推荐效果有了较好地改善。同时,本文通过消融实验和参数分析验证了两种方法的组件和参数设置均有利于推荐模型性能地提升。