新闻推荐系统可以帮助用户在海量新闻中快速获取感兴趣内容,其要解决的关键问题在于获得准确的用户表示和新闻表示。用户的兴趣是随着时间变化的,有长期兴趣和短期兴趣;新闻含有的信息也分多种类别,如标题、类别、摘要等,而现有的方法往往基于单类别信息学习新闻的表示。目前,绝大多数推荐系统的研究重心放在如何提高推荐的准确率上,缺少对推荐结果的自然语言的解释,用户很难得知推荐结果的理由。如果在给出推荐结果的同时提供为什么推荐该结果的解释,这样不仅能够提升系统透明度,还能提高用户对系统的信任和接受程度。基于以上原因,本文主要的研究工作如下:（1）提出了一种融合长短期用户表示、多特征新闻表示的方法进行个性化新闻推荐。首先,采用基于协同注意力机制的多视角学习方法构建新闻编码器,从新闻的标题、分类、摘要特征中学习统一的新闻表示;其次,利用改进的新闻表示在基于长短期兴趣的用户编码器中进一步细粒度学习用户表示。在真实新闻数据集上的实验结果表明,该方法与其它推荐算法相比在准确率等指标上有明显提高。（2）提出了一种基于特征映射和多任务联合学习的可解释新闻推荐方法。首先利用特征映射,将不可解释的一般特征映射到可解释的方面特征,消除了在可解释推荐中对元数据的需求;同时通过一个联合学习模型平衡准确预测和生成解释这两个任务,在生成准确的推荐结果的同时利用两个任务间的隐式信息生成对应的解释语句,实现了推荐的准确性和良好的可解释性。