传统媒体时代,信息资讯生产来源短缺,资讯的质量与传播依赖于信息生产者的主观意向,受众的选择空间十分有限,而随着互联网的普及、信息技术的发展,信息过载成为了困扰信息接收者的又一难题。时代进步,一剂良药——推荐算法登上了互联网舞台,图文资讯的个性化推荐逐渐走进人们的日常生活。一个好的推荐算法不仅可以提高资讯的传播效率、增强用户的阅读体验,还可以拓展资讯平台的商业价值,改变产业格局。发展至今,资讯推荐领域仍然有许多亟待解决的问题,譬如算法性能与计算机算力的冲突、推荐出来的资讯质量良莠不齐、算法模型多样庞杂且各有优劣、许多算法距离实际应用仍存在一定距离等。本文针对推荐领域中算法模型多样庞杂的问题,设计并实现了一套基于多路召回的推荐系统,其内核在于根据工业界流行的推荐方案设计角度分别设计相应的推荐算法,通过多路召回的方式来对推荐资讯进行整体把控。其中,本文面向图文资讯推荐系统,主要设计并实现了ALS、Item-based、GBER三种推荐算法,分属于矩阵分解推荐算法、基于物品的协同过滤推荐算法以及基于图嵌入的神经网络相关推荐算法。针对算法性能与算力冲突的问题,本文通过改良物品向量相似度的计算方式,对Itembased算法中向量维度过高的问题进行了有效解决,通过构建新的邻接表存储方式,对GBER算法中的随机游走算法进行了优化;针对用户兴趣长期偏移的特点,本文对资讯序列进行了时间上的分桶,解决了资讯具有时效性的问题,进一步提升了推荐算法的性能;针对推荐系统中资讯特征信息利用不足的问题,创新性地将Word2vec算法与决策树进行了结合,将特征重要性作为神经网络训练地重要参数参与训练,有效地缓和了计算压力的同时提升了算法的推荐精准度。该系统已完成部署并上线良好运行,实验基于的数据集取自于北京微鲤科技有限公司旗下app微鲤看看用户与资讯交互行为以及资讯的特征信息。实验中对比的算法有ALS、Item-based、GBER、双塔模型以及图自编码器,实验关键评估指标有点击通过率CTR、运行时间、召回物品多样性等。本文基于评估指标结果得出了如下结论:GBER算法相较于改进之前CTR提升了17.4%,在已上线算法中CTR最高,有效提升了推荐地精准度;ALS算法召回资讯多样性为7.1,资讯种类丰富,且推荐资讯质量较高;Item-based算法运行时间仅需要8分钟,计算速度快,但算法性能较差。