随着互联网技术的迅速普及与发展,网络资源呈现喷发式的速度涌入其中。互联网的发达使得人们更容易获取自己感兴趣的资源,但在享受海量的互联网信息时,也遇到了信息过载的问题。新闻推荐系统作为解决信息过载问题的有效手段,能够帮助从海量新闻数据中选择用户可能感兴趣的新闻。本文针对新闻领域的推荐方法进行了相关研究,主要包括以下几个部分:(1)本文提出一种基于用户动态兴趣感知的新闻推荐算法,本文算法从用户浏览新闻的时间序列和浏览内容这两个部分计算时间因素对用户偏好的影响权重。通过在真实数据集上的实验分析,证明了该算法与一些基线新闻推荐算法相比具有更佳的性能。(2)本文提出一种融合多种数据信息的新闻推荐算法,本文算法从时间上下文和新闻特征两方面考虑对于用户偏好的影响。本文提出的算法不仅能够有效建模隐因子模型并且具有良好的可扩展性。在真实数据集上的实验表明本算法相对于其它推荐算法能够提高推荐准确性。(3)本文提出一种融合时效性和相关性的新闻推荐算法,本文算法首先挖掘新闻的特征向量,然后根据历史阅读行为进行建模,最后对新闻未来影响力进行预测,并在此基础上进行非个性化推荐。(4)基于以上提出的算法设计并实现了基于用户兴趣漂移和语义特征的新闻推荐系统,对用户兴趣进行有效捕捉并针对用户的冷启动问题进行改进,有效提高用户使用体验和推荐准确性。