随着网络信息的快速增长,由于信息过载问题,人们无法从大量的新闻信息中获取到满意或者感兴趣的新闻信息。个性化推荐是缓解网络中信息过载情况的主要途径,通过分析不同用户的兴趣与偏好,考虑彼此之间的相互影响,给相应的用户推荐其感兴趣的内容。国内外学者对推荐算法进行了广泛的研究,其中,凝练的新闻文本的实体表示问题、用户兴趣点动态变化问题、社交网络中影响程度量化问题是影响推荐效果的主要因素。针对以上问题,本文从基于知识图谱的特征量化和结合社交网络结构信息两个方面对新闻推荐方法研究。在基于知识图谱的特征量化方面,针对新闻包含大量实体关系、用户兴趣动态变化等问题,提出一种混合知识图谱嵌入和主题词嵌入的特征量化方法,旨在融合新闻文本的不同视角的特征。该方法不仅能融合新闻文本中实体之间的信息、增强其文本表示在主题方向的侧重,而且可以通过注意力机制量化在时序上不同浏览记录对用户兴趣与偏好的影响程度,从而得到包含更加丰富特征的文本、用户的向量表示。实验结果表明,该方法有效解决了新闻文本的实体表示问题、用户兴趣点动态捕捉问题,提高了预测的准确度。在结合社交网络结构信息方面,针对用户群体之间的存在交互影响,提出一种改进采样的社交网络结构信息量化方法,旨在量化用户2之间的影响程度。该方法通过设计基于交互次数的采样策略,获取社交网络中的邻居用户,通过交互关系与内容信息,得到邻居用户对目标用户的影响权重。实验结果表明,该方法可以得到社交网络中用户之间的结构信息,有效解决了社交网络中影响程度量化问题,提高推荐的准确程度。