随着互联网的不断发展,人们面临着获取新闻信息的多样选择。然而,由于新闻数量庞大且信息重复率高,人们常常感到无法快速找到符合自身兴趣的新闻。为了解决这一问题,新闻推荐系统应运而生,通过分析用户的阅读历史和兴趣爱好,为用户提供个性化的新闻推荐。在进行个性化新闻推荐时,有两种有效的方法可以采用,即建模特征交互和挖掘用户历史偏好。然而,传统的建模特征交互方法较为复杂,难以准确捕捉用户的兴趣偏好,并未充分利用用户历史行为中的协作信息。因此,本文提出了一种基于图神经网络的模型,以兼具特征学习和偏好学习的能力,并在此基础上设计和实现了个性化新闻推荐系统。在新闻推荐算法方面,本文提出了一种基于图神经网络的特征学习和偏好学习推荐模型。该模型采用了两种关键方法,以提高推荐效果。首先,模型构建了用户和新闻特征的完全图,并通过特征交互的方式学习用户和新闻的嵌入表示。这种方法充分利用了数据集中特征的共现性,通过学习特征之间的交互关系,有效地捕捉到用户和新闻的特征表达。其次,为了更好地理解用户的偏好,模型根据用户和新闻的交互历史构建了用户-新闻高阶连通图。通过在图中进行多跳信息的传递,模型能够捕捉到用户的偏好信息。这种偏好学习的方法能够更全面地理解用户的喜好和行为模式。最后,模型将经过特征学习和偏好学习后得到的用户和新闻嵌入表示进行匹配,以完成推荐预测。为了验证该模型的有效性和合理性,本文在包括新闻数据集的四个公共数据集上进行了实验验证。实验结果显示,该模型在推荐任务上取得了显著的性能提升。在系统设计方面,本文设计并实现了基于特征学习和偏好学习的新闻推荐系统,该系统架构包括数据层、特征层、策略层和应用层。在数据层通过新闻爬取获取最新新闻,保证新闻物料库的时效性;在策略层采用了基于特征学习和偏好学习的新闻排序策略,针对冷启动采用对物料库热度排名填充新用户的推荐列表;同时为预防同类新闻的过度曝光,采用了根据新闻类型的重排序。个性化推荐系统综合了多个方面,保证了新闻推荐结果的准确性、时效性、多样性。