互联网的发展与竞争愈来愈激烈，不少主流网站纷纷将个性化推荐作为争夺用户和吸引眼球的前沿阵地。相比于百花齐放蓬勃发展的电子商务，新闻作为传统的互联网信息服务，其个性化服务上的发展却不尽如人意，新闻的个性化推荐水平与其他行业相比仍存在较大差距。如果能够更好挖掘出用户的潜在阅读兴趣，提供相应的个性化新闻推荐服务，就能够吸引更多的用户，产生更大的经济价值。　　本文着眼于个性化的新闻推荐服务，首先介绍了个性化新闻推荐的相关背景与研究现状，对新闻推荐领域现有的各种技术和模型做了具体深入的探讨与综述，并对各种方法的优缺点进行了总结和对比。　　同时，由于新闻资讯一般都会比较集中报道一些社会性的事件，往往几个关键词就能让人们了解新闻的主要内容是什么。为新闻提炼出关键词不仅能满足人们快速检索新闻的需求，也能让人们更加有效率地阅读新闻，解决碎片化阅读的难题。传统的中文文本关键词提取算法，大多基于统计学方法，没有考虑词与词之间的语义关系，也比较容易受切词结果的影响。针对传统的文本关键词提取技术的不足，本文提出了一种结合词向量与复杂网络的关键词抽取算法，能够更好的建模词语之间的语义关系和局部共现关系，实验结果证明我们的方法提取出来的关键词能够更好地表达文章主题。　　最后，我们将该算法运用到新闻推荐领域中，在传统协同过滤方法的基础上提出了一种基于关键词和混合特征的新闻协同推荐模型，不仅考虑了用户的行为特征和新闻的内容特征，也综合了协同过滤与content-base模型，在新闻推荐的公开数据集上取得了比传统协同过滤方法和content-base方法更好的效果，证明了我们模型的可行有效。