新闻推荐系统是推荐系统中的一个重要分支,目的是向用户以精准化、个性化的方式推荐新闻。目前的新闻推荐算法中,存在推荐条件单一、考虑的参考因素种类较少等缺点。本文通过分析用户的行为习惯,考虑使用时间上下文进行用户周期性分析,并对LDA算法进行改进以提高主题抽取精确度,然后将时间和周期因素加入新闻推荐算法中。最后基于改进的推荐算法,设计并开发了手机新闻推荐系统。本文的研究内容包括:(1)通过对DTW算法进行改进,设计一种加入自相关处理方式的ADTW算法。ADTW算法通过从相关序列数据中搜索重复出现的序列模式,发现其规律并找出周期模式。ADTW算法能够在未预先设定周期的情况下挖掘周期,解决时间序列中由于噪声项而产生的挖掘周期不准确问题。(2)由于LDA算法的最初设计是针对英文文本进行设计,在中文文本中使用LDA算法时会出现由于分词不精确而导致的歧义词入库等问题。因此在本文中决定通过引入改进边界熵的方式,提升LDA算法的主题词提取精度,并提升新主题词入库精确度。(3)现在多数新闻推荐算法,在时间因素的应用都是使用时间进行新闻热度的分析,以此决定新闻的推荐程度。但这样势必会降低有周期阅读习惯用户的推荐精确度。本文决定在以往的新闻推荐算法研究基础上,引入用户新闻阅读周期习惯这一参考因素,提升推荐精度。(4)针对本文提出的三点改进方式,设计了一套基于时间上下文的新闻推荐系统。设计系统的总体框架,完成对各模块在功能上的设计,采用PHP技术实现了整个预测系统。在文章的每一个改进设计后,分别对本文提出的方式与现有的分析方式进行对比测试。通过测试结果,证明本文提出的方法可以确实提升推荐的准确度。