如今的因特网行业正在快速发展,在这个时代,信息数量巨大,更新速度飞快,使得网络浏览者在众多资讯中无法找到自己真正所需。为了解决这一问题,在推荐系统出现之前,人们运用搜索引擎通过关键词找到自己对信息的需求,然而某些场景下用户无法很精确地明确自己所需要的关键词,使得搜索引擎的效果大打折扣。个性化推荐经过对用户数据的分析,从而发现他们的相应特征与偏好,及时提供最符合用户的推荐结果。作为有效解决用户没有明确需求下的信息过载问题的工具之一,它已经变为许多领域的研究热点。个性化推荐系统可以智能地为因特网用户推荐他们所感兴趣的内容,让人们从海量数据的迷茫中解脱出来。在因特网新闻方面,个性化推荐也极其重要,今日头条网(http://www.toutiao.com/)、新浪新闻网(http://news.sina.com.cn/)等网站每天都在发布各行各业的时事新闻,随着新闻信息量与信息更新速度的不断增大,网页新闻浏览者难以看到自身所感兴趣的新闻内容,常常让自己丢失在海量级别的新闻资讯中。当遇到这一类问题时,新闻推荐系统可以根据浏览者个性化的浏览记录,发掘出他们的潜在浏览偏好,形成相应的推荐结果。从而节约了大量浏览者的新闻探寻时间,提高了浏览者的满意度,同时降低网页新闻资源浪费程度。利用用户的显式反馈信息进行推荐的推荐方法是目前比较常见的方法,然而相对于显式反馈,由于隐式反馈信息更容易获取,具有普遍性,因此根据隐式反馈信息所设计的推荐系统具有更加广泛的适用性,本文所设计的推荐系统是根据隐式反馈信息所设计的。本文主要对网页新闻浏览者的隐式反馈数据进行处理,对推荐模型以及推荐算法、用户模型的构建、推荐的混合方案和策略等内容开展研究,将浏览者群体按照浏览频率进行划分,对不同浏览者群体采用不同推荐算法混合,对于经常浏览用户,综合用户协作型过滤算法、内容推荐算法进行结果上的混合,对于不常浏览用户,综合了物品协作过滤算法的相似度计算以及内容推荐算法的相似度计算法则,进行相应算法上的混合,并将得出的相应推荐结果与基于随机漫步的PersonalRank算法进行混合。使得推荐系统中单一算法存在的问题如新加入物品的推荐、数据的稀疏性等不足得以降低。根据上述设计思路以及相应算法的实现完成了整个新闻推荐系统的设计,同时本文所使用的混合策略的有效性在后续实验中根据相应评价指标的对比得以验证。