互联网和大数据的快速发展,使得人们越来越依赖于网络获取信息,新闻作为人们获取信息的重要媒介,越来越受到用户的青睐,如何在海量信息中发掘用户感兴趣的新闻成为一个研究热点问题。本文从基本的文本分类入手用以提升用户阅读新闻的体验。由于新闻文本内容较短,传统文本处理方法针对新闻文本分析时往往造成语义信息缺失,这成为制约提升短文本分类性能的瓶颈之一。本文采用外部语料库训练Word2Vec模型,基于外部语义信息扩展传统关键词提取算法所提取的关键词,并根据不同扩展方式研究了基于外部语义信息扩展短文本关键词的可行性,最后结合最近邻分类算法(K-Nearest Neighbor,KNN),综合提出了一种基于关键词扩展的短文本分类算法(Classification Algorithm based on Keyword Extension-K-Nearest Neighbor,CAKE-KNN),最后,在实验数据集上验证了本文所提方法在新闻短文本分类任务上兼顾精度和效率,接近于当今主流文本分类算法。进一步,本文设计了一种基于关键词扩展的新闻推荐系统(Recommendation Systems based on Keyword Expansion,KERS),在分析用户新闻阅读行为和洞察新闻传播特点的基础上,提出了用户兴趣程度星级评定方式和评论违规内容(广告、黄色、暴力、反动言论等)过滤方式,结合所提文本分类算法,制定了本文的推荐策略,对其中的主要参数进行了实验确定,和其它推荐系统的对比实验结果表明本文所提的推荐策略能够在一定程度上胜任用户个性化新闻推荐任务,并缓解冷启动问题。