随着互联网信息时代的到来,电子新闻资讯已经成为人们获取外界信息的重要媒介。面对各类社交平台中充斥的海量新闻数据,用户难以从中快速过滤出符合自己个性化参数的新闻,而推荐算法应运而生。现有的新闻推荐算法往往缺乏对新闻时效性和新闻语义信息的分析,本文提出一种基于词嵌入和时间因素的新闻推荐算法,该算法使用主流的词嵌入技术处理文本信息,分析用户既有兴趣,使用协同过滤算法分析用户潜在兴趣。并考虑了新闻时效性提出一种新闻热度计算方法,将其与推荐算法相结合进行推荐,通过在真实数据集上的实验,证明了该方法的有效性。此外,对于社交平台而言,如何将海量新闻进行自动化分类也是需要面临的严峻任务。本文对现有的新闻文本分类算法进行分析,提出一种改进的文本分类算法。该算法主要将卷积神经网络与循环神经网络相结合,引入多头自注意力机制从不同的表示子空间里学习相关信息,在真实数据集上进行实验,分析了其对新闻文本分类的影响。针对上述研究,本文的主要成果具体体现在以下三个方面:1.提出一种基于多头自注意力改进的文本分类算法。通过CNN提取字与字之间的特征,双向GRU用于从新闻标题的序列信息中提取特征。对CNN与GRU处理后的输出,采用多头自注意力机制学习文本的表示,再经过池化层和全连接层将模型输出映射到标签维度。本文在新闻数据集上提取出十个类别共十万条新闻,使用所提出的模型进行多标签分类,结果表明在分类准确率上优于现有的基于CNN、RNN改进的文本分类算法。2.提出一种基于词嵌入的新闻推荐算法。先对用户的阅读历史进行分析,使用TF-IDF算法从用户阅读过的新闻中筛选出具有代表性的关键词。通过使用BERT模型将提取出的新闻关键词转换为可直接进行计算的词向量,计算每个词向量之间的欧式距离并进行聚类,从而得到用户若干个兴趣中心向量。结合用户的兴趣向量以及候选新闻提取出的词向量提出一种内容相似度计算公式,用以衡量用户兴趣与候选新闻之间的相似性。3.考虑时间因素、用户既有兴趣及用户潜在兴趣等因素,提出一种混合推荐算法。由于新闻具有时效性,在进行推荐时需要着重考虑近期发表的新闻,因此本文考虑了时间因素提出一种新闻热度计算公式。通过新闻阅读人数、话题词热门程度、新闻发表时间来确定新闻的初始热度,并引入时间衰减函数对新闻热度进行定期衰减,从而保证不会将热门新闻长期推荐给用户。本文将新闻热度公式同内容相似度公式及协同过滤相似度公式进行融合,并在新闻数据集上进行了验证,本文方法相比较其他方法在准确率、召回率、F1评分上均有提高。