在互联网时代,类似今日头条这样的在线新闻分发平台吸引了数以亿计的用户。由于在线新闻服务的便捷性和时效性,许多用户的新闻阅读习惯已经从传统报纸转向数字新闻内容。那么在信息爆炸时代,平台如何为用户过滤筛选出用户有阅读欲望的新闻成了新闻推荐领域研究的重点任务。协同过滤算法和神经网络模型是新闻推荐领域研究的两大重要方向。然而,现有的很多方法大都忽略了新闻隐式信息是新闻的重要组成部分,对新闻表示的完整性和准确性起着重要作用。同时,一篇文章往往由多个主题构成,即使主题相同的文章由于其对应的篇幅不同,那么得到的表示也应当不同。此外,不同的用户对同一个主题的关注度和感知度并不相同,进而同一个主题在为不同用户建模时所占有的权重则不同。针对上述问题,本文提出了一种基于多主题感知的个性化新闻推荐模型（Personalized News Recommendation System Based On Multi-topic Aware,PMA）,引入了对新闻隐式属性的特征表示提取模块,希望通过挖掘不同用户对词语的关注度、主题的感知度、新闻的关注度来为不同的用户动态的得到不同的新闻表示。同时,在新闻隐式表示中加入了上下文信息来丰富和弥补主题表示的不足之处。最后,通过一个注意力单元来学习显式表示和隐式表示的权重,以期望得到更加全面且合理的新闻表示。本文在一个基于公开的新闻数据集Adressa和MIND的子数据集上进行多轮实验,从新闻推荐领域常用的多个评分指标对模型推荐效果进行评估并与多个新闻推荐模型做对比。实验结果表明,本文提出的模型在新闻推荐方面有一定的提升效果。本文的主要工作内容如下:（1）提出基于多主题感知的个性化新闻推荐模型（PMA）。模型利用CNN网络从新闻的标题中提取局部特征表示。利用LDA主题模型对新闻的内容进行主题分析和提取,通过BERT模型得到文章的主题表示。为了模拟不同用户对词语的敏感度、主题的感知度和新闻的关注度,本文在模型中引入一个个性化注意网络,通过用户的ID来生成词语、主题、新闻的关注度向量。将这些向量作用于对应的表示提取模块,从而实现新闻表示的个性化。利用用户的浏览历史结合用户对新闻本身的关注来为不同的用户动态建模。最后,结合用户的个人偏好对候选新闻进行点击预测。（2）与多个不同的新闻推荐模型做对比实验。本文从,,9)等多个维度将本文提出的模型与其它新闻推荐模型做对比。实验结果表明融入了个性化主题表示和上下文信息的隐式表示将会得到更加丰富、完整和准确的新闻表示,进而得到更加精准的用户画像,达到更好的个性化推荐效果。此外,本文还做了模型内部消融实验和优化实验来验证模型结构的合理性和有效性,同时寻找模型中超参数的合理值。（3）基于多主题感知的个性化新闻推荐系统的设计与实现。利用上述模型（PMA）,开发了基于Django的个性化新闻推荐系统。在系统中用户除了可以按照新闻分类或标题搜索的方式寻找新闻,也可以直接定位到推荐栏目。在推荐栏目中,系统会从用户未浏览过的大量新闻池中召回一小部分做为候选新闻,使用PMA模型对候选新闻进行点击预测,并根据预测值降序展示。系统会记录下用户对每次推荐结果的行为,这些行为将会影响对用户画像的调整,进而影响下一次推荐结果。本文对融入了隐式信息和用户感知度等特征的新闻表示进行研究,并将模型具体的应用到一个新闻推荐系统中,缓解信息过载,提升用户的体验,具有现实意义。