传统的新闻推荐算法已经不能够满足用户的浏览需求，特别是在如今的人工智能时代，如何提高用户的浏览体验成为一个研究热点，所以个性化新闻推荐算法应运而生。它和传统的新闻推荐算法相比，考虑了更多维的因素，这提高了推荐内容的可解释性，还有的算法引入了外部的知识图谱，这提高了推荐的多样性，但是存在下面两点因素给个性化新闻推荐算法造成困难，其一是新闻本身的特性，例如其数量大且内容覆盖广，更新快且时效性高；其二是在构建用户画像不容易统一，例如对不同用户的行为和兴趣，需要构建不同的用户画像。虽然目前主流的个性化新闻推荐算法取得了较好的推荐效果，但是大部分的算法忽略了新闻中的图片信息，而这些图片是具有潜在的价值。因为图片传达给用户的信息更为直观，更容易影响用户的阅读兴趣，所以本文提出了重构新闻标签的模型，并基于这些新标签提出了自适应标签算法，详细的研究内容概括如下：
　　(1)本文提出了融合新闻里的图片和文本来重构新闻标签的模型(MRNT)。考虑到新闻的原始标签数目少，并且很少包含新闻图片信息，又考虑到这些标签通常是由人工来编写完成的，仅能代表着部分人对该篇新闻的看法和理解。本文首先介绍了开源的图片识别器和词向量，其次是介绍神经网络和Word2Vec模型的基础知识，最后以原始的新闻标签为参考，去除掉从新闻图片和文本提取到的低相关性的特征，用余下的特征作为新闻的新标签，这些新标签是后文提出的标签相关性图和AT算法的基础。
　　(2)本文提出了一个关注用户短期兴趣的自适应标签算法(AT)。由于新闻的特性，导致用户的短期兴趣容易受到新闻内容的影响，如果用户的兴趣模型构建不好会降低用户的浏览体验，所以本文针对如何构建用户的短期兴趣模型提出了AT算法。该算法是通过用户的反馈，筛选出用户当前最感兴趣的标签。为了筛选出用户最感兴趣的标签，本文为用户当前感兴趣集合中的每个的标签进行打分，首先计算某标签在用户的浏览历史中的比重得分，然后计算该标签的热度得分，随后计算该标签在候选新闻中的比重得分，其次是计算该标签的延深得分。最后把前面四个的得分加起来就是该标签的最终得分，再选出得分最高的标签就是用户当前最感兴趣的标签。
　　(3)实验结果和分析。基于新闻推荐的性能评估标准(F1,AUC,MRR)，验证了本文所提出的方法，在推荐条目较小的情况下，与其他基线相比具有较好的推荐效果。