随着互联网的普及,庞大的用户群体产生了海量的数据,但是大众难以对海量数据进行有效接收和处理,从而会出现信息过载的问题。推荐系统是解决此问题的一种重要的手段,目前绝大部分推荐系统都依赖用户画像,但很多新闻站点并不包含用户系统,从而无法生成用户画像,最终导致在新闻领域并不能很好使用这些推荐系统,为了解决此问题,本文在基于内容的文本相似度推荐算法的基础上,开展了深入研究工作,提出了一系列改进的算法,并基于这些改进算法开发出一套新闻领域推荐系统,主要工作如下:（1）提出了一种多模型融合的新闻文本情感分类算法。首先本文对现有的情感分类算法进行分析,同时对现有的中文情感词典进行扩充,最后针对差分进化算法进行改进,形成一个多模型融合的情感分类算法,通过实验分析,在特定数据集上多模型融合的情感分类算法在分类准确率、F1两个评价指标上都优于被融合的分类算法,并且在基于情感词典的情感分类方法中,使用新闻领域扩充后的情感词典在分类准确率、F1两个评价指标同样优于现有的中文情感词典。（2）提出了一种融合知识图谱的基于文本相似度的推荐算法。本文首先结合新闻报道的要求,使用命名实体识别技术获取实体信息,之后结合知识图谱对实体信息进行知识扩充,最后将扩充后的知识作为文本特征应用于基于文本相似度的推荐算法上,形成一种融合知识图谱的基于文本相似度推荐算法,通过实验分析,融合知识图谱的基于文本相似度推荐算法在覆盖率和多样性这两个评价指标上要高于原始的基于文本相似度推荐算法。（3）设计并实现一个新闻领域推荐系统。使用多模型融合的新闻文本情感分类算法和融合知识图谱的基于文本相似度推荐算法,在此基础上结合工程背景搭建一套推荐系统,通过微服务技术使推荐系统具备高内聚、低耦合等特点,同时推荐系统对外提供多种方案进行异构系统间的数据同步,最后为了方便系统运维,增加了链路追踪和系统性能监控等组件。