随着信息技术的普及,各大新闻网站每天的新闻资源骤增,为了改善“信息过载”问题,学者们对新闻推荐一课题展开了广泛研究。现有的技术手段多为先提取新闻的特征,然后分析用户的兴趣偏好,从而根据两者的匹配程度进行推荐。值得注意的是,实际生活中的新闻包含的信息形式多种多样,除了文本外还夹杂着图片、视频、链接等内容,这些信息的异构性导致难以在统一的框架中利用这些信息,提取新闻特征的推荐系统变得过于复杂,而单是提取文本特征又不足以全面的刻画新闻。针对上述问题,本文从实际应用角度出发,对新闻推荐进行了研究,主要研究内容如下:不同领域新闻的受众群体呈现不同特性。与其他领域新闻不同的是,关注体育新闻的用户群体会密切关注正在进行的赛事或相关体育新闻,在新闻报导刚刚出现或更新的时候积极提交反馈表达自己观点。针对这类用户反馈行为的时间特征本文使用基于用户的协同过滤推荐算法完成此类新闻推荐。同时使用Scrapy根据应用场景需求编写爬虫采集了虎扑网站上的新闻数据,基于真实新闻数据集进行了仿真,评测了精确率、召回率和F1值。通过在真实新闻数据集上的仿真发现,常用的几种相似度计算方法存在一定弊端,本文提出了结合用户活跃度的相似度计算方法,通过三种方式来计算用户活跃度,并使用基于用户活跃度的协同过滤推荐算法在真实新闻数据集上对新闻推荐的精确率、召回率和F1值进行了计算,并用基于用户的协同过滤推荐作为基线算法进行了对比,结果表明基于用户活跃度的协同过滤推荐算法大幅优于基线算法,具有一定实用价值。基于用户的协同过滤推荐适用于用户兴趣偏好相对稳定的应用场景,而如果考虑到用户兴趣偏好随时间不断偏移的情况时,该方法就存在一定局限性,为此本文提出了基于多层感知机的用户行为多分类的新闻推荐算法,新算法通过对积极反馈的用户行为分类而不是通过计算相似度来挖掘用户潜在关联,将新闻推送给同一类别中的活跃用户进而实现新闻推荐。同样在真实新闻数据集上进行了仿真,分析了新闻推荐的精确率、召回率和F1值,结果表明各项指标与前述算法性能相当,但所用时间与存储空间大幅减少。针对小规模新闻数据集训练多层感知机时可以采用人工标注的方式生成训练集和测试集,但在真实应用场景下,新闻数据集体量大,导致人工标注耗时耗力,为此本文探索实现了机器标注方式来提高效率。分别使用均匀流型近似与投影算法和t分布的随机邻域嵌入算法对数据进行降维再分别使用K均值聚类算法和标签传播算法进行标注来生成训练集和测试集。使用上述两种标注方式训练得到的多层感知机实现新闻推荐,并在真实新闻数据集上对精确率、召回率和F1值进行了评测,结果表明推荐效果略低于人工标注,但标注效率大幅提高。