随着互联网尤其是移动互联网的飞速发展,越来越多的人选择使用网络获取新闻资讯。然而,由于互联网信息量太大,在海量新闻资讯面前,人类却无从选择。因此,如何在海量新闻资讯中找到用户真正感兴趣的新闻并将其推荐给用户成为了业界研究的热点。实时新闻推荐系统能够实现对新闻资讯的自动化处理,通过新闻主题演化抽取算法,结合用户画像技术,把新闻内容和用户联系起来,采用大数据实时流处理技术,能够解决大数据背景下的新闻精准推荐问题。本文对新闻主题抽取演化方法和实时推荐系统相关技术进行了研究,主要工作包括：1、提出基于LDA (Latent Dirichlet Allocation)的新闻主题提取和话题演化算法。该算法在传统LDA算法基础上,增加了时间演化的推演过程,通过构建新闻和时间级联表来计算独立性检验卡方参数,更能追踪新闻事件的时效演化特性,可以更有效的抽取出新闻的主题；同时,将基于solrcloud的分布式索引技术应用于新闻文本处理,实现了高性能分布式计算。2、提出一种基于用户画像技术的交替最小二乘UP-ALS的协同推荐算法。新算法结合用户画像标签权重和交替最小二乘ALS预测评分矩阵完成协同推荐的计算,更精准地定位用户喜好；为满足大数据环境下实时计算的需要,采用Spark分布式流处理框架实现了UP-ALS算法；实验仿真表明,与矩阵分解模型MFM和ALS算法相比,UP-ALS算法提高了推荐的准确度。3、利用分布式架构构建了实时推荐系统,并对系统的性能进行了调优,展示了系统实现的最终效果,能很好满足用户的个性化阅读需求。