互联网技术的发展加速了各种信息的传播与交互,网络新闻作为一种新的信息推送方式,无法避免数据量大、复杂、冗余等问题。财经新闻主要关注和报道与财经相关的信息,包括金融市场、产业经济、行业政策等内容。当前,对于大众来说,在互联网上浏览财经新闻是获取财经信息的一种主流途径。在此背景下,许多财经新闻检索平台应运而生以缓解信息过载所带来的问题,这其中包括普通的搜索引擎,例如百度新闻和谷歌新闻；也包括专门的财经类门户网站,例如新浪财经、中国经济网等。在这些平台上,用户可以使用关键词搜索或者分类导航功能查找自己感兴趣的财经新闻。然而,对于用户尤其是财经领域的业界人士或者爱好者们而言,目前的这种获取财经信息的方式并不能满足这样的需求：浏览完一篇财经新闻后,可以在同一页面快速地获取到与之相关的其它信息,进而理清当前信息发生的前因后果,以辅助用户在经济活动中做出正确的决策。虽然,现在已经有部分平台在新闻页面上提供了相似新闻或者拓展阅读模块,但基本都是基于内容的推送,信息重复、缺乏多样性,并不满足用户的需求。因此,本文对财经新闻进行了建模,对财经新闻重组进行了探索,主要研究内容与贡献如下：1.通过对财经新闻的主体内容以及标题信息的学习,挖掘出了隐含在其中的语义信息,提出了基于Improved_LDA和多类分类的财经知识抽取方法。2.基于财经知识,提出了一种新的知识网络框架,用于财经新闻导航,以满足用户在浏览完一篇财经新闻后可以快速地定位到与之相关的其它信息、进而理清当前信息发生的前因后果的需求。3.实现了以房地产行业为中心的财经知识网络框架,并嵌入到了新闻页面中。用户学习的结果表明,多数用户接受并喜欢这种新的财经新闻呈现方式,且能借此快速地找到需求信息点。另外,Perplexity指标表明Improved_LDA较之标准LDA模型能取得更好的收敛效果和泛化表现。