随着科技的不断进步,人们可以更加便捷迅速地获取到新闻信息。新闻的时效性相当重要,促使着媒体必须在短时间内将新闻传播出去,将其推送给相应的用户群体。新闻类的推荐算法应运而生。目前的推荐算法主要包括几个主体的方面,基于内容的推荐、协同过滤推荐还有混合型推荐等,并取得了很好的效果且已经应用到现实系统里。现阶段的多数推荐算法在考虑用户兴趣的层面上并没有充分考虑时间和空间带来的影响,使得推荐结果的准确率不均衡。本文结合时空因素,提出了两种推荐算法很好地解决了用户冷启动问题以及用户兴趣动态变化的问题。实验表明,两种算法在召回率方面有优异表现,准确率也有着显著的提高。最后,在Android平台实现了新闻推荐系统。具体主要研究工作如下:(1)针对目前的推荐算法未能很好的处理新用户的冷启动问题和用户签到数据稀疏的问题,本文提出了一种结合专家信任的POI推荐算法。专家用户为信任度最高,最具参考价值的用户。第一步利用用户的签到信息,选取特定的时间和空间范围内的用户签到数据以得到候选专家用户集合。然后,结合候选专家用户的签到次数和签到范围的影响,对候选专家用户集合进行过滤,得到一位专家用户,并且根据专家用户的兴趣点得到Top-N推荐列表并推荐给新用户。对于数据稀疏的用户,可以结合该用户其余签到数据的地理位置信息并通过核函数计算地理分布影响来对推荐列表进行优化,得到最终的推荐列表。(2)针对现存的基于标签的个性化推荐算法在构建用户兴趣模型时未考虑到时间因素尤其是短时间内的近期兴趣给推荐结果带来影响的问题,本文提出了一种考虑用户近期兴趣变化的个性化推荐算法。该算法首先利用用户和物品的数据,分别计算出用户和物品的标签权重。然后结合遗忘曲线和近期用户兴趣变化,对用户标签权重进行更新,然后计算相似度,之后进行k近邻的寻找,填充稀疏矩阵,输出Top-N推荐列表。相较而言,该算法具有一定的改善效果,在提升推荐结果准确度的同时增加了可解释性。(3)本文通过对两种改进算法的融合同时利用Android设计并实现了新闻推荐系统。该系统利用用户地理位置信息对新用户进行推荐,缓解了冷启动问题;利用用户对新闻的收藏,评论,分享和删除等操作,分析用户的兴趣变化,以实现更加准确的新闻推荐。该系统不仅提高了用户浏览新闻时的体验,而且在应用后也具备很高的经济价值。通过以上研究,我们论文通过利用时空因素提出了两种推荐算法,缓解了冷启动问题,提高了推荐效果,并应用到新闻推荐系统中。