随着互联网的迅猛发展,网络数据量不断增长,在给网络用户获取信息带来便利的同时也造成了信息过载问题。我国上网用户数量达到3.84亿,占人口总数的29%以上,其中超过80%网络用户使用网络新闻资讯服务。个性化新闻推荐系统可以为用户推荐个性化新闻资讯,帮助用户发现感兴趣的内容,具有广阔的应用前景。目前市场上的新闻推荐系统通过让用户回答问题或者主动定制新闻的方式实现个性化,其个性化特性不够完善。本文提出了一种基于隐式反馈的用户建模方法,该方法通过用户终端收集用户使用记录并进行分析,建立基于加权关键词表示的多模型用户模型。该模型可以同时反映出用户的长期兴趣和短期兴趣,并可以实时自动更新。学术界对推荐系统的研究主要集中在推荐效果上,但是对于实际应用,推荐系统的性能也十分重要。本文提出一种资源自适应的推荐算法,使系统在推荐效果和系统性能之间取得了动态平衡。该方法监测系统资源使用情况,通过调整新闻时间窗口、文档向量维度和用户模型关键词维度的方式来动态调整相似度计算的运算量。当访问压力增大时,系统降低运算量来提高系统性能。本文实现了上述算法并设计了个性化新闻推荐系统EagleNews。该系统从国内知名新闻网站采集新闻,使用基于内容的推荐方法,以网络服务的方式运行于互联网上,可以使用通用的HTTP通信协议和标准的数据交换格式XML进行访问。实验表明系统取得了良好的效果。