当今世界,信息技术创新日新月异,信息化浪潮蓬勃兴起,全球信息化进入发展新阶段。在信息化时代,信息内容更加丰富,同时也带来了“信息过载”等负面问题,大量的信息给人们的生活带来了一定的困扰。为了更好地解决“信息过载”问题,推荐系统成为一项重要的工具,而当前新闻推荐系统在研发和应用过程中,本身还存在评分矩阵稀疏、推荐效果不理想、实时性要求高等问题。针对前述问题,本研究构建一个融合多种推荐策略和方案以改进性能的新闻推荐系统,其特征是新用户也能获取较为准确的新闻推荐;用户获取的新闻推荐符合自己的遗忘曲线;用户能够快速地获取新闻推荐。本论文以推荐算法为核心展开相关工作。论文通过相似度传递算法部分解决了数据稀疏度问题;通过融合时间权重的隐语义模型来提高用户兴趣建模的精度;通过Spark平台的引入解决系统实时性问题。基于这些理论可以指导构建并实现基于Spark的新闻推荐系统。论文从软件工程的角度对新闻推荐系统的功能性以及非功能性需求进行了分析,明确了整个系统的设计目标,对系统的网络架构、功能模块以及数据库等进行了设计,对系统具体实现方案进行了分析,并对新闻内容、兴趣点以及个性化推荐的建模过程进行了分析。利用Spark平台和J2EE平台进行了新闻推荐系统原型的运行部署和测试。本论文研究的新闻推荐系统对实时推荐以及稀疏数据等问题进行了改进处理,经实验验证有较好的运行效果,研究成果可应用到实际的推荐业务中,可为用户提供更高质量的推荐服务,将具有较强的实用价值和现实意义。