随着互联网技术的发展,上网浏览新闻已成为人们获取信息的主要手段。然而网络数据爆炸式的增长让用户陷入了面对大量垃圾信息的尴尬境地,如何快速准确的获取用户需要的信息,成为当前亟待解决的问题。新闻推荐作为解决该问题的有效手段,通过分析新闻内容和用户历史行为数据,可以为用户找到其感兴趣的新闻。目前新闻推荐系统常用到的技术有基于内容的推荐技术、协同过滤技术以及混合推荐技术等。本文围绕个性化新闻推荐,针对基于内容的推荐技术中构造用户兴趣模型过于粗糙和协同过滤技术中相似性度量方法准确性低的问题展开了以下研究:1.传统的用户偏好模型是基于用户历史行为数据统一建模,这种建模方式比较粗糙,忽略了不同时间段浏览的新闻对用户总体偏好的影响。本文通过划分时间片,对不同时间段的历史行为数据分别建模,并赋予每个偏好模型一个时间因子,最后求和得到用户的长期兴趣偏好模型。2.为准确描述用户当前偏好的波动性,本文提出对用户当前时间段内的行为数据进行动态建模,及时发现用户当前主要关注的新闻类型,进行准确的推荐。3.针对协同过滤技术中相似用户计算不准确的问题,本文提出一种新的相似性度量方法,即偏好-行为相似性度量,从用户的偏好和行为两个方面计算用户的相似性,并进行加权求和。提高了相似用户计算的准确性。4.以长期偏好模型、动态偏好模型和改进协同过滤技术为基础,为用户分区推荐,满足用户对不同新闻类型的需求。最后,本文使用DataCastle大数据竞赛平台提供的数据集进行实验验证,并与基于内容的新闻推荐方法、协同过滤新闻推荐方法以及混合新闻推荐方法进行对比,实验结果证明,本文提出的新闻推荐方法的准确率、召回率和F值均有明显的提升,提高了用户体验满意度。