随着移动互联时代的到来,新闻聚合工具通过对海量互联网信息进行内容挑选、分析、归类,为用户提供及时丰富的信息,成为用户首选的移动媒体。与传统新闻网站的“一刀切”式的资讯推送方式不同,新闻资讯类平台一般会采用根据用户的点击和阅读行为数据,识别用户的兴趣偏好,然后基于用户兴趣图谱或用户画像进行内容推荐。这种推荐机制在满足用户个性化需求的同时也会造成用户接受信息窄化即“信息茧房”的问题,给用户体验带来负面影响;此外,随着运营系统内容和用户数量的剧增,推荐系统面临数据稀疏性导致的算法的时间和空间复杂性增加的问题,关于如何改进推荐算法提升推荐效果,一直是业界和学术界关注的焦点。基于此,论文以Y新闻资讯平台为对象,梳理了Y资讯平台的运作方式,并从资讯平台数据库中抽取一周的用户浏览日志数据,从资讯类别浏览量分布,用户浏览资讯数量分布、用户行为等维度进行分析,发现目前Y资讯平台存在用户参与度不高的问题。针对存在问题,论文从复杂网络方法视角,首先将用户阅读资讯行为数据建模为“用户-资讯”双模网络,然后将双模网络投影为“用户-用户”兴趣关联网络,即网络节点代表用户,节点之间的连边表征两个用户阅读相同资讯,边的权值代表同时阅读的资讯数;最后采用复杂网络社区识别算法,挖掘隐含的社团结构,再结合经典的协同过滤算法进行资讯推荐。为验证所提出的推荐方法的效果,以4500条用户资讯阅读数据为实验数据,通过与传统的基于用户的协同过滤算法的推荐结果对比,发现基于用户兴趣关联社区识别的推荐策略改进了推荐精度并可能丰富推荐内容。为评估兴趣关联强度即网络边权对推荐效果的影响,通过调整网络边权阈值的实验分析,发现随着阈值的增加,尽管影响了兴趣关联网络结构及社区的规模,但是因为能够识别出关系强度更大即凝聚性越高的社团结果,推荐的精度越高。基于上述研究发现,本文结合对用户阅读资讯内容的关联分析,对Y平台运营优化提出对策建议。