随着互联网的高速发展,人们获取信息的方式发生了极大地变化。同时,随着中国证券市场的发展,越来越多的投资者加入其中。人们面临的最严重的问题是信息过载。大量的股票新闻涌向投资者。为了应对信息过载的挑战,本文提出了基于本体的股票新闻推荐方法,来帮助投资者寻找他们感兴趣的新闻。传统的新闻模型大多都是基于TF-IDF构建的,没有考虑语义信息,而且会产生歧义。为了解决歧义问题,本文利用本体来优化TF-IDF方法,提出了OF-IDF方法来为新闻建立向量空间模型。本文分析了用户配置文件,结合投资者在系统中的行为,认为揭示投资者的兴趣信息主要来自于两个方面,一个是历史浏览记录,另一项是用户关注的概念(股票名称)。针对用户的兴趣标签,建立了金融领域本体,计算概念间的相似度和关联度来综合计算概念的相关度,利用此算法计算用户兴趣概念与新闻中本体各个概念之间的相关度,再结合概念在新闻中的OF-IDF权重,量化了新闻与用户标签之间的相关度。推荐与用户兴趣标签关联度最大的新闻。针对用户的历史浏览记录,引入了用户行为反馈,来自动地检测用户的真实兴趣。最后,实验验证了提出的算法的有效性。