本文基于新闻具有生命周期较短、访问记录稀疏、文本表示复杂的特点,构造了一个基于主题建模和分层隐变量模型的新闻推荐系统。此系统使用的推荐模型融合了基于内容的推荐算法和基于协同过滤的推荐算法,以混合的推荐算法为用户进行新闻推荐。此模型的构造主要包括了三个模块:新闻主题建模、新闻聚类、分层隐变量模型。此模型基于LDA算法对新闻进行主题建模,获取新闻的主题词分布和主题概率矩阵,基于新闻的主题概率矩阵,使用自组织神经网络对新闻进行聚类,自组织神经网络具有较好的可视化效果,可以有效确定新闻聚类的类别数。另外,此模型通过获取用户对新闻推荐系统的访问日志,构建用户对新闻的伪评分矩阵,将用户对新闻稀疏的评分矩阵分解成两个低维矩阵,然后使用用户的隐式特征、新闻主题特征和两个低维矩阵逼近原始评分矩阵。此模型与传统的隐变量模型中的矩阵分解区别在于,本模型将新闻主题特征和用户隐式特征线性融合到隐变量模型中,引入门限自回归思想,将一个线性融合的隐变量模型,分解成多个线性融合模型。并且,在模型中加入多样性正则化项,提高模型泛化能力。本文以均方根误差为评价指标,通过线下实验对比了文中构建的基于新闻主题建模和分层隐变量模型推荐算法,相对于其他矩阵分解、协同过滤推荐算法的性能。通过实验发现,本文构建的基于新闻主题特征的分层隐变量模型在厦大新闻网数据集上,相对于其他算法降低了 10%-20%的均方根误差。本文还详细介绍了新闻主题数选取、新闻聚类类别选取和隐变量模型参数选取的过程,寻找适用于厦大新闻网数据集的最优模型参数。