1、隨著網(wǎng)絡(luò)與信息技術(shù)的飛速發(fā)展，大量信息快速涌現(xiàn)，網(wǎng)絡(luò)資源呈指數(shù)式增長(zhǎng)，用戶(hù)很難快速找到需要的信息。作為信息數(shù)據(jù)過(guò)濾的重要方法，個(gè)性化推薦系統(tǒng)被廣泛認(rèn)為是解決信息數(shù)據(jù)過(guò)載問(wèn)題的有效途徑，并在各領(lǐng)域得到了廣泛應(yīng)用。雖然個(gè)性化推薦系統(tǒng)已經(jīng)取得了不錯(cuò)的成績(jī)，但是仍然在多方面存在缺陷，如：推薦質(zhì)量受數(shù)據(jù)稀疏性問(wèn)題和冷開(kāi)始問(wèn)題影響嚴(yán)重、系統(tǒng)可擴(kuò)展性差、推薦實(shí)時(shí)性差等。
　　針對(duì)個(gè)性化推薦系統(tǒng)存在的上述不足，本文對(duì)個(gè)性化新聞推薦系統(tǒng)采用的協(xié)同過(guò)

2、濾推薦算法進(jìn)行了深入的、有價(jià)值的探索研究，期望幫助讀者從海量新聞資訊中快速準(zhǔn)確的找到其感興趣的新聞并獲得期望的閱讀體驗(yàn)。本文的主要工作為：
　?、賹?duì)個(gè)性化推薦相關(guān)技術(shù)及其研究現(xiàn)狀進(jìn)行綜述。
　?、谔岢鲆环N改進(jìn)混合用戶(hù)模型的協(xié)同過(guò)濾推薦算法（IHUMCF）。首先，IHUMCF提出一種新的用戶(hù)興趣建模方法，此方法在傳統(tǒng)用戶(hù)-項(xiàng)目評(píng)分矩陣基礎(chǔ)上，融入項(xiàng)目屬性和用戶(hù)人口統(tǒng)計(jì)信息，把用戶(hù)-項(xiàng)目評(píng)分矩陣轉(zhuǎn)化為基于用戶(hù)興趣特征和項(xiàng)目屬性特

3、征的混合評(píng)分矩陣（MRM），提高了用戶(hù)模型的信息密度。其次，IHUMCF提出一種新的相似度計(jì)算方法，針對(duì)用戶(hù)評(píng)分尺度差異性問(wèn)題，IHUMCF在用戶(hù)相似度計(jì)算過(guò)程中引入了用戶(hù)評(píng)分合理因子，以此改進(jìn)用戶(hù)相似度計(jì)算方法，提升查找最近鄰居集的準(zhǔn)確度。
　?、墼O(shè)計(jì)并實(shí)現(xiàn)了基于IHUMCF算法的個(gè)性化新聞推薦系統(tǒng)，經(jīng)驗(yàn)證，此系統(tǒng)具有為用戶(hù)個(gè)性化推薦的功能，且具有良好的性能，同時(shí)證明了基于IHUMCF算法的個(gè)性化新聞推薦系統(tǒng)推薦效果有明顯提升。