在线新闻服务平台如今日头条、微软新闻等已成为广大用户获取新闻信息的主要来源。网上每天生成和发布了海量的新闻文章,导致用户很难快速找到感兴趣的新闻。然而个性化新闻推荐可以帮助用户缓解信息过载,提升新闻阅读体验,因此在众多网络新闻平台中得到广泛应用。新闻推荐中两个关键点分别为新闻文章表示和用户兴趣建模。对于新闻文本的表示,本文采用改进过的transformer模型并融合新闻类别信息去学习得到新闻文章表示,因为多头自注意力机制可以建模单词之间的相互作用,同时类别信息也能反映出用户的偏好。而对于用户兴趣建模,本文又进行了如下两方面的研究:（1）提出了层级哈希网络方法用于增强用户的兴趣表示。对于用户新闻浏览纪录较少的情况,也称作用户冷启动问题。现有的大多数新闻推荐方法通常仅从交互的历史新闻中去学习用户表示,当用户冷启动时,不能很好对用户兴趣进行建模。而本文考虑用户之间的聚类特性,通过层级哈希网络将低信息量用户映射到信息量丰富的频繁用户上以获得哈希部分兴趣表示。同时仍从新闻阅读纪录中获取历史部分兴趣表示,最后通过路由注意力机制将哈希向量和历史向量结合起来生成最终的用户兴趣表示。（2）提出了知识指导的强化学习模型以便去动态捕获用户的兴趣变化。当用户拥有丰富的新闻浏览纪录时,用户的兴趣可能会变得十分复杂,且会随时间变化。而目前许多深度学习方法仅专注于所推荐新闻的局部收益,即更多是对已有的点击新闻历史数据的拟合,更容易向用户推荐同质化的内容。因此对于此种情况,本文采用强化学习方法考虑用户点击的某条新闻对序列的长期影响,并通过与用户点击动作进行交互后获得反馈来实时捕捉其兴趣变化。同时融入知识图谱信息,对强化学习的探索过程进行有效指导,从而使得强化学习模型很好地解决推荐任务中的用户偏好漂移。本文通过将层级哈希网络方法和知识指导的强化学习模型分别与多种新闻推荐方法进行比较,并在微软新闻数据集（MIND）上进行大量对比实验,在用户冷启动和用户点击记录较多这两种情况下均优于其对比的基线模型,因此验证了本文所提出的新闻推荐方法的有效性。