随着智能设备的大量普及以及自媒体形式的媒体的兴起，人们面临到了由于信息量太过于庞大而信息过载的问题，虽然丰富的资讯给予了用户更宽的视野，但海量的信息却使得用户目不暇接，用户也将会面临海量的毫无兴趣的信息，使得信息的使用效率降低。个性化新闻推荐系统将会去逐渐把握用户的兴趣点，将用户感兴趣的新闻推荐给用户，并结合用户的点击量、评价等等反馈操作，提炼出的优质且实时的新闻，将更多有影响力有价值的新闻资讯推荐给用户，也会结合时间因素，过滤掉已没有价值的新闻。

本课题将会使用：聚合计算、TF-IDF（Term Frequen-cy-Inverse Document Frequen-cy）算法、基于内容的推荐（CB）、基于协同过滤的推荐（CF）。

分析新闻的发布时间、用户对新闻的支持程度（赞踩量）、用户对新闻的点击量这三个角度考量新闻的质量。

使用TF-IDF算法将会用于新闻的关键词提取，并分析出词语的权重，过滤掉语料库中出现过高，区别度过低的词，从而提炼出最效的关键词。

基于协同过滤的推荐用于挑选出于某用户口味相似的群体，并将这一群体的新闻推荐给用户，从而挖掘出用户潜在喜欢但又没有浏览过的新闻。

基于内容的推荐将会根据用户关联的一组获得较高TF-IDF权重的关键词，筛选出具有相同关键词的新闻。并根据聚合计算出的新闻排名，来推荐给用户可能感兴趣的前n篇新闻。

1.2 研究现状

现在的个性化新闻推荐提供了以人为本的用户体验, 赢得了大量的观众, 从而提升客户端自身的竞争力。而新技术的发展与创新, 又大大地鼓励了新闻内容的生产和消费， 新闻客户端运用个性化新闻推荐技术为实现媒介融合提供了一条好的思路。

当今流行的个性化新闻推荐的弊端也是非常的明显：

（1）现存的个性化新闻推荐基本上是根据用户的兴趣爱好推送文章，而使得用户对其他信息了解得较少, 导致用户接收信息片面化, 久而久之, 人们会对自己的认知产生偏见, 禁锢在自己构建的信息茧房中。