由于新闻信息量的爆发式增长和现代社会的快速生活节奏,用户对推荐的准确度要求越来越高,在个性化新闻推荐领域,快速准确的从海量新闻中挑选出用户感兴趣的新闻,然后再推送给用户能提高用户的满意度,具有很大的商业价值。本论文依托文本语义挖掘对新闻文本内容和用户兴趣爱好建模,分别构建新闻画像和用户画像对新闻和用户进行表示。首先基于实证对比分析三种文本关键词抽取方法,最终采用词频-逆文本频率和空间向量模型对文本进行向量化表达,充分提取了文本中关键词信息,其次依托自编码器对文本内容进行压缩建模,在保留原始信息的同时得到文本的低维向量表示,解决了文本特征稀疏性问题,提高了模型训练的有效性和精确性;再基于用户历史浏览文本信息作为输入,分别采用时间衰减模型、递归神经网络、长短期记忆模型和控制门单元循环网络模型来生成目标用户的兴趣向量;递归神经网络能自发地对用户历史兴趣进行记忆迭代更新,该模型能快速捕捉到用户阅读兴趣的变化,能很好的对用户兴趣进行表达。最终计算用户与文章间相似性挑选相似度前k条新闻为目标用户进行个性化推荐。依托财新网数据进行实验论证,可知,推荐列表的长度对于推荐效果有较大影响,与协同过滤方法相比,文中所采用方法在推荐准确性上提高了 2%,在推荐多样性上提高了 7%;与基于内容推荐方法相比,文中所采用方法在推荐准确性上提高了 13%,在推荐多样性上提高了 8%;同时基于递归神经网络对用户建模的方法相比与时间衰减模型,准确性提高了 8%,多样性提高了 5%,其中长短期记忆模型的效果最佳,验证了本文采用推荐方法的有效性。