互联网时代使用户面临严重的资讯过载,如何从海量新闻资讯挖掘出用户感兴趣的内容或对用户有价值的信息越来越困难。同时,移动互联网的兴起与大量智能终端的接入,对精准的新闻推送的要求越来越高。个性化新闻推荐系统的引入,可以为用户有效地解决信息过载问题,通过为用户提供个性化的阅读列表,提高用户的阅读体验。网络新闻阅读业已成为目前最热门的互联网的应用之一。个性化新闻推荐的核心是用户的个性化建模,而用户的个性化建模依赖于对用户的阅读兴趣进行精准而且完整的刻画。由于新闻和用户阅读兴趣都具有主题特性,本文引入主题模型,对用户阅读兴趣进行主题建模,以实现个性化智能化的新闻推荐。在用户兴趣的精准性建模方面,本文提出了一种融合内容分析与用户协同的并行式混合推荐方法,用于解决个性化新闻推荐问题。考虑到新闻的多主题特性,本文采用主题模型来对用户阅读兴趣进行主题建模,通过新闻阅读用户的二次主题建模来对用户进行精准建模,在此基础之上结合新闻时效性的分析提高推荐质量。实验结果表明,本文的混合推荐策略在推荐的精准度上优于对比的两种基线方法,而且多样性指标表现优异。在用户兴趣的完整性建模方面,考虑到用户的阅读兴趣是分布在不同的应用领域场景中,比如用户的兴趣点可能分布在微博,QQ,微信,豆瓣等应用领域场景,基于此,本文提出跨领域的主题兴趣迁移模型(MTM,Modified Topic Match),通过将用户的微博主题兴趣融合到用户在新闻阅读领域的兴趣中,实现对用户兴趣的多源融合刻画,从而提高用户建模的完整性。实验结果表明,本文提出的跨领域主题兴趣迁移推荐模型既在一定程度上避免了用户“冷启动”问题,又在挖掘未知的用户阅读兴趣上取得了一定的效果,大大降低了获取用户阅读兴趣的开销。