随着互联网技术的发展,人们已经由信息匮乏时代迈进信息过载时代。海量的信息资源使得人们很难找到自己感兴趣的内容,这一用户需求促进了个性化推荐系统的发展。个性化推荐系统以其能够过滤大量无用信息,预测用户潜在喜欢内容的优势,得到了各领域越来越广泛的应用。本文研究的是个性化推荐系统在新闻领域的应用,虽然新闻个性化推荐已经在理论研究中取得了长足发展,但仍有很多问题亟待解决,如:数据稀疏性问题、冷启动问题、可扩展性问题等。因此本文把解决个性化新闻推荐系统中的数据稀疏性和冷启动问题作为研究重点,其主要工作有:(1)提出一种基于用户偏好和项目属性的协同过滤推荐算法(IAUPCF)。本算法在传统的用户项目评分矩阵的基础上,融入用户偏好和项目属性,把评分矩阵转换成基于用户偏好和项目属性的评分矩阵(IAUPEM),然后根据IAUPEM计算目标用户最近邻居集。此改进算法解决了传统相似性计算只依赖用户评分值而造成数据稀疏的问题。(2)提出一种新的有效预测评分值方法,使用该方法进行预测值判定,能够降低“时间效应”对推荐结果的影响,得到更准确的用户兴趣模型,使经过预测计算后的值更接近真实情况,从而提高推荐精度。(3)设计并实现一个简单的基于协同过滤的个性化新闻推荐系统,本系统基于IAUPCF算法,能够实时准确地向用户推荐其感兴趣的新闻。本文提出的IAUPCF算法不仅能够有效地弥补传统协同过滤算法中的不足,还能明显提高系统推荐精度,更为新闻推荐系统的改进提供了一种新的研究思路。