随着今日头条、网易新闻等各大新闻平台的发展,基于互联网产生了海量且规模不断激增的网页新闻。网页新闻实时性、交互性和便捷的特点,使其成为了主流的信息获取渠道。带来便捷的同时,网页新闻数量的激增却带来了信息爆炸的问题,用户很难从海量新闻中筛选出自己感兴趣的新闻,由于新闻数量过多而使得新闻平台难以有针对性地发布或推送新闻。利用人们通常更容易对那些关注度较高的新闻感兴趣这一特点,新闻关注度预测可为上述问题提供解决方案。新闻平台可根据预测的新闻关注度来选择关注度较高的新闻并推送给用户,也可将预测的关注度用于改善新闻网站的布局,为在线广告投放提供一种策略(例如,在预测到某条新闻将要受到关注后选择在其中投放广告,从而提高广告的点击率),也有助于提高信息的有效性,避免用户被不感兴趣的信息所干扰。目前研究人员提出了许多方法用于新闻关注度的预测,如分类或回归、神经网络和随机森林等。其中,以分类或回归的方法应用最为广泛,这两种方法的预测思想相同,都是将新闻表示成一组基于影响新闻关注度的特征,利用基于这组特征的数据集训练模型来预测新闻的关注度。但是,这些方法并未考虑新闻关注度相关的特征之间的相互依赖关系。贝叶斯网作为一种有效的不确定性知识表达和推理工具,可以对这些特征间的依赖关系进行建模、并进行推理,本文基于贝叶斯网来预测新闻的关注度。具体而言,本文的主要研究内容如下:(1)在提取特征用于模型构建的过程中,针对新闻关键词太多而无法单独衡量每个关键词对新闻关注度影响的问题,本文利用不同等级的关键词集合表达关键词对新闻关注度的影响,将关键词对新闻关注度的影响的研究问题转化为新闻关键词等级对新闻关注度影响的研究。(2)在构建预测模型的过程中,针对评分搜索方法构建的模型结构依赖关系不合理问题,本文提出一种基于约束与评分搜索的结构学习方法对结构学习进行约束限定,确保结构学习得到的结构依赖关系表达合理。(3)通过今日头条爬取的1.7万余条数据进行实验,测试了本文方法的有效性和可行性,并设计并实现了相应的原型系统。