近年来,随着大数据时代的来临和5G技术的飞跃发展,诸如网易新闻、今日头条、腾讯新闻等在线新闻平台成为人们获取信息的重要媒介。在享受信息便捷的同时,信息过载也逐渐成为人们高效获取信息的巨大壁垒。个性化新闻推荐系统可以帮助用户从海量新闻中浏览到符合其个人喜好的新闻资讯,有效缓解信息过载问题,也可以帮助新闻平台提升用户体验和用户粘性。现有的基于深度神经网络的新闻推荐系统通常会对用户的过往浏览历史行为做统一处理,忽略了用户的长期喜好和短期喜好之间的差别,此举会直接影响用户行为特征提取的准确性。同时,如何准确地捕获用户短期内兴趣迁移现象也是新闻推荐系统中急需解决的难题。论文针对上述问题,研究了基于门控循环单元（Gated Recurrent Unit,GRU）的长短期记忆模型,提出了基于自注意力机制的长短期记忆模型。本文利用隐语义模型（Latent Factor Model,LFM）提取用户的长期喜好,并利用GRU从用户的浏览记录中获得其短期喜好。针对短期内用户兴趣迁移问题,本文采用了基于时间间隔的自注意力机制去表征用户的兴趣迁移程度。论文进一步研究了将上述两种思想结合后的新模型,通过实验验证了本文所提出的基于自注意力机制的长短期记忆模型相较于传统的长短期记忆模型,提升了推荐精准度。具体来说,本文的主要研究从以下三个方面进行:（1）相较于一般模型中直接随机初始化GRU隐藏状态的做法,本文选择利用用户的长期喜好特征初始化GRU。在利用GRU分析用户的浏览记录从而得到用户的短期喜好特征时,该做法不仅可以强化长期喜好的影响,也可以优化模型的训练效果。本文提出的模型利用Word2Vec技术分析新闻标题信息、新闻所属一级类别信息和新闻所属二级类别信息,从而共同构成新闻特征。同时,还加入了基于新闻属性的自注意力机制来调节不同新闻属性的权重,优化新闻特征提取的精准度。（2）本文提出的基于自注意力机制的长短期记忆模型在分别得到用户的长期喜好特征和短期喜好特征后,将二者进行级联,方便在后续预测用户对候选新闻的点击率时,也能够很好地区分两个喜好。本文同时提出了一种基于时间间隔的自注意力机制,通过考虑两条新闻之间的时间间隔信息来缓解用户兴趣迁移现象。该注意力机制可以调节两条用户已浏览过的新闻之间的注意力权重,确保时间相隔越远的两条新闻之间的相关程度会越小。（3）基于两组真实的公开数据集,将本文所提的改进模型与新闻推荐领域内的四种常用模型进行对比。实验结果表明,在不同的数据集上本文提出的基于自注意力机制的长短期记忆模型都具有良好的推荐效果。