推荐系统的根源可以追溯到认知科学、模糊理论、信息检索、预测理论，并且与管理科学和市场学中的客户选择建模有密切的关系。个性化推荐系统作为一种特殊的推荐系统，直到20世纪90年代中期才被作为一个独立的概念提出来。近年来，随着web 2.0技术的成熟，推荐系统在网络上的应用蓬勃发展，国内外学术界对推荐系统的研究也日趋兴旺[4]。66177

推荐系统作为一种信息检索并过滤的重要手段，是当前解决信息超载问题的非常有潜力的方法。推荐系统与以搜索引擎为代表的信息检索系统最大的区别在于：1) 相比于注重结果(如网页)内容的信息检索系统，推荐搜索注重结果之间的相互关系和排序，推荐系统还会研究用户模型和分析用户的喜好，并将分析结果与检索结果相结合进行比较过滤，基于社会网络进行个性化计算；2) 信息检索系统的工作过程由用户主导，即用户通过输入提供查询词，再由用户自身选择查询结果，对检索结果不满意用户会修改查询条件并再次搜索。而推荐是由系统主导用户的浏览顺序，推荐系统引导用户发现需要的结果。高质量的推荐系统甚至会使用户对该系统产生依赖[5]。因此，推荐系统不仅能够为用户提供所需的个性化的信息检索推荐服务，而且能够与用户建立长期稳定的互动关系，借此有效地提高用户忠诚度，在一定程度上防止用户流失。论文网

为了完成新闻推荐，系统必须了解用户的需求，即用户具体对哪些新闻感兴趣。为了达到这一目的，推荐系统需要对涉及的所有新闻文章进行归类或者划分，使其具有某些可以被识别的特征，推荐系统在用户每次浏览其感兴趣新闻的同时，对这些被浏览信息的特征进行识别和分析，以此来挖掘用户的兴趣，在下一次推荐时根据用户兴趣来为其推荐那些符合其浏览兴趣特征的新闻[6]。

推荐系统的一般工作过程如下：系统预先建立关键词词库,然后依据这个关键词词库,提取用户行为信息（检索过程）中所包括的关键词,将这些关键词信息与待推荐新闻的特征相比较，最后根据用户行为信息中所包括的关键词推荐新闻给用户[7]。 

整个推荐系统中最核心和关键的部分是推荐算法。推荐算法在很大程度上决定了推荐系统的类型和推荐性能的优劣。由于推荐系统还处于较新的研究阶段，因此目前对推荐系统的分类并没有统一的标准。很多学者从不同角度对推荐方法进行了不同的划分。主流的推荐方法基本包括以下几种：基于内容推荐、协同过滤推荐、基于知识推荐和组合推荐等。