近年来随着网络技术的快速发展,信息呈爆炸式增长而造成信息量过载,导致用户想要在网络中找到有用的信息变得愈加困难。而门户网站、搜索引擎这些传统的方法并不能有效的解决这个问题,个性化推荐系统应运而生。个性化推荐系统通常是建立在海量数据挖掘基础上的一种高级商业智能平台,通过对用户的历史信息、行为的分析,过滤用户不感兴趣的信息,并预测其偏好及潜在的兴趣而进行有效的推荐从而改善用户的使用体验。新闻媒体也面临同样的挑战,新兴的新闻媒体开始采用个性化新闻推送机制,这方面的研究也不断涌现。目前,所使用的个性化新闻推荐系统包括：基于内容的推荐、协同过滤推荐、基于网络结构的推荐和混合推荐。它们都面临着一些共有的问题,如冷启动、准确度和召回率低、个性化过度等等,这些问题的解决可以从根本上极大地促进推荐系统的研究与应用。本文研究并综合了在个性化推荐领域的相关研究成果,探索性的将社交化的用户信号量应用在个性化新闻推荐系统当中,主要思路以及工作成果包括：(1)将用户的社交信号与新闻用户的点击历史记录相结合；(2)更加准确的判断用户兴趣,给出更合理、准确、综合的推荐结果。(3)创新性地提出以用户社交维度为辅助信号量计算用户兴趣模型,并且通过公众兴趣以及反馈机制提高推荐准确度。(4)以上述思路为出发点,结合实时性、数据规模、推荐准确度等因素,实现了一个个性化的新闻推荐系统。本文的研究成果为改进新闻推荐的实时性、新颖性、准确性、冷启动等问题提供了一种新的思路,在此基础上,可以进一步细化用户信号对于推荐过程的作用,扩展到其他信号量如搜索记录或者其他社交来源从而进一步提高用户、新闻的匹配精确度。