随着Internet的飞速发展,网络数据量不断增加,给用户带来了信息过载的问题。面对海量的资讯信息,资讯客户端面临着如何为不同的用户提供令其满意的阅读体验的问题,用户同样面临着如何筛选出自己喜欢的资讯信息,节省阅读时间,提高阅读效率的问题。近年来,对个性化推荐系统的研究逐渐成为各界研究的重点对象,为用户提供其自身感兴趣的个性化推荐是成为资讯系统开发者迫切解决的问题。个性化资讯推荐系统可以通过准确挖掘用户的兴趣偏好,建立完善的用户兴趣模型,采用适合自身特点的推荐策略,为用户推荐个性化资讯信息,提高用户满意度。目前,市场上的资讯推荐系统大都通过新闻热度的高低为用户做推荐,或根据用户历史的阅读数据,通过基于内容的推荐策略为用户推荐与其兴趣偏好一致的资讯,推荐内容较为单一,无法发现用户新的兴趣偏好。“能源头条”个性化资讯推荐系统力求打造为一款为用户私人订制的资讯类APP,本文的研究目的是,找到一种高效的推荐策略,可以针对不同的用户类型以及用户行为特点,帮助用户发现其新的兴趣点的同时,迅速准确地为用户推荐满意度高的资讯信息。本文研究的主要内容包括,通过对推荐对象模型即资讯主题模型的研究与用户兴趣模型的研究提出了一种基于主题模型的个性化推荐策略,解决了推荐系统中常存在的冷启动问题以及数据稀疏问题。本文采用LDA主题模型的建模方式为资讯建立主题模型,并将其应用到用户兴趣模型的建立中,为了提高推荐的精度,在模型中加入了情景信息,以解决时间与位置因素对推荐造成的影响。推荐方案的设计中,系统为新用户推荐热门资讯信息,以解决冷启动问题,当用户阅读行为数据超过一定数量时,通过计算用户主题兴趣的相似度来计算用户与其邻居用户之间相似度的方法,解决了协同过滤推荐算法中数据稀疏问题。最后经过试验分析,本文研究的模型与推荐方案能够实现精确推荐的目的。