随着科学技术的快速增长,当今社会迎来了信息飞速发展的时代,信息成为了当今社会的一种重要资源,在生活中以及网络上充斥着各种各样的信息,有被我们需要的有用的信息,有和我们无关的垃圾信息,如各种垃圾广告,垃圾邮件等,传统的信息推荐方式大部分都是基于用户的点击量或基于交易记录而向用户进行推荐,这样的推荐算法可以谓之为基于经验的推荐算法,它有自己的优势,然而在这样信息爆炸的时代,传统的基于经验的推荐算法已经无法满足广大用户对于信息的需求,如何在海量信息不断产生的背景下,能够更全面准确地了解读者的兴趣需求并及时有效的向用户推荐所需信息,量身打造新闻读者的个性化推荐体系已成为了迫切需要解决的问题。本文主要完成了如下工作:第一,首先分析了新闻信息的特点以及个性化新闻推荐所用到的常用推荐技术,基于内容以及基于协同过滤的推荐技术,其中协同过滤推荐包括基于物品、基于用户以及slope-one等推荐算法。同时研究了相似性度量的相关系数,着重介绍了余弦相似度等。第二,设计了以基于内容推荐和协同过滤推荐为核心的新闻推荐模型,其中应用基于内容的推荐对待推荐内容进行处理并对推荐结果进行去重,应用协同过滤生成推荐。其中频繁项集的概念缩小计算数据的范围,加快了推荐效率,提高了推荐的准确性和实时性,应用相似度算法比较找出最适合的新闻进行推荐。第三,实现了基于频繁项集的个性化新闻推荐系统,并用采集到信息作实验数据进行测试,对测试结果进行查准率和查全率分析,验证了该推荐系统模型的推荐效果,并将其应用在某新闻单位新闻推荐项目中,该系统良好地实现了个性化新闻推荐。