数据的爆炸式增长带来了严重的信息过载问题,而新闻推荐系统可以帮助用户快速,准确的获得有效信息,节省大量的阅读成本。新闻文本特征和用户特征是新闻个性化推荐中最重要的两个因素,因此研究工作主要在自然语言处理和深度学习的基础上围绕这两个方面进行展开,主要工作如下。(1)新闻文本特征方面,提出一种改进的词频逆文档(Term Frequency-Inverse Document Frequency,TF-IDF)的方法,引入熵和特征项的分布信息(Distribution Information,DI),将关键词的一些属性进行计算从而选出更合适的关键词组成文本,以提高新闻文本描述文件的质量。然后将新闻文本的描述文件使用词向量中连续词袋模型(Continuous Bag of Words,CBOW)进行向量化,最后使用弱监督的去噪自编码器对新闻文本的描述文件进行降维,以提升新闻文本特征的新颖性。(2)用户特征提取方面,设计了一种attention-LSTM网络结构。该结构不同于传统的循环神经网络结构,将attention用于在LSTM的输入时刻,即attention的输出是LSTM的输入,同时attention产生的参数对LSTM多个门的开闭产生影响,而且加入对长短期的记忆的计算,结合了每个上下文向量的权重信息以提高对用户历史记录的关注,使得更加符合用户喜好的特征。(3)基于对新闻文本特征提取方法的改进和用户特征提取方法的优化,设计了改进TF-IDF和优化注意力机制的新闻推荐算法。该算法使用改进的TF-IDF方法提取文本特征,最大化满足新闻的新颖性;该算法使用attention-LSTM记录用户的历史喜好,最大化记录用户的兴趣变化趋势。仿真实验表明,根据评价指标F1和AUC,相比于使用TF-IDF和循环神经网络的新闻推荐算法,改进的TF-IDF和attention-LSTM结合的新闻推荐算法有着更好的表现,其中,F1提升了0.029,AUC提升了0.047。