随着互联网web2.0时代来临,如何能够阅读到感兴趣的新闻已经成为众多网民生活的重要问题。然而在海量的互联网新闻中,人们往往只能被迫的看编辑推给我们的新闻。因此推荐系统应运而生,作为一种有效的解决这种问题的手段在学术界得到广泛的研究,并在工业界得到有效的应用。本文针对新闻推荐领域的仍存在的问题展开研究。主要的研究工作如下:(1)提出了一种基于用户隐式社交关系的个性化新闻推荐方法。用户显式社交关系中可以获得相似的用户群体偏少,相反用户的隐式关系能够挖掘到与用户更多相似的用户群体。基于这种现象我们从新闻数据集构建用户隐式社会关系,然后根据泊松矩阵分解建模用户的隐式影响概率,从而生成用户的新闻推荐列表。(2)为了解决用户兴趣偏好特征构建不够准确的问题,提出了一种基于用户搜索记录和兴趣偏好的个性化新闻方法。通过从用户的搜索记录中构建外源的用户兴趣偏好,然后利用提出的两种偏好融合的方法生成最终的推荐列表。在真实的新闻数据集上进行实验测试,结果表明该方法有很好的推荐效果。(3)针对新闻推荐中普遍存在的冷启动和数据稀疏性问题,提出了一种基于深度网络的个性化新闻推荐模型。通过对用户和新闻进行深度网络编码,构建更挖掘更复杂的关系,通过在真实的数据集上进行验证,相比于对比算法在召回率上有着显著的提升。(4)基于以上三个算法设计并实现了基于用户兴趣偏好和用户社交关系的个性化新闻推荐系统。系统包括了三个功能模块:用户功能模块、新闻展示推荐模块、后台管理模块。并针对用户冷启动问题增加了非个性化的功能,增强了用户使用体验。