随着无线互联网和移动端设备的普及,便捷的信息获取方式使得人们更依赖于信息。新闻的获取方式已经从主动获取变成了新闻推荐。最初的新闻推荐是帮助用户找到其感兴趣的内容并推荐给他们,而现在是主动发掘用户的潜在兴趣,并为之推荐。随着信息量的激增,推荐中存在问题也越来越突出,如用户模型更新速度慢、重复内容过度推荐、获取的新闻范围过窄、冷启动等问题。生活方式的改变使得用户获取新闻的方式从目的性获取转变为随机获取,这和传统的新闻推荐方式相悖。传统新闻推荐模型的建立并没有很好的满足用户浏览新闻这一非目的性的动机,因此本文在传统的协同过滤推荐算法的基础上引入了隐马尔科夫模型,通过马尔科夫过程的随机性模拟用户的非目的性浏览行为,研究马尔科夫模型在新闻推荐算法中的应用,主要研究内容分为三个部分。1)研究目前主流推荐算法的优缺点和马尔科夫模型,将马尔科夫模型应用于新闻推荐中并实现了一种基于隐马尔科夫模型的协同过滤算法。通过实验对比,证明该算法比传统的推荐算法效果更好。为了进一步提高算法效率,对算法进行了优化改进,改进后的算法在准确率和召回率上有所提高,其效率明显高于之前算法。2)在基于隐马尔科夫模型的基础上进一步研究,提出并设计了三维模型,以隐马尔科夫模型为主要维数,以用户特征和环境特征组成三维模型,研究三维模型在推荐算法中的应用。通过混合基于内容的推荐算法和Top N算法,实现基于隐马尔科夫模型的三维混合推荐算法。实验证明,三维模型的混合推荐比单一的推荐算法准确率更高,同时在解决冷启动上有较好的效果,通过聚类算法对推荐算法做进一步优化改进,其效果比改进前更好。3)搭建小型的集群平台,建立小型的Spark生态环境,并以基于隐马尔科夫模型的三维混合推荐算法作为推荐系统的主要算法进行设计。通过推荐系统的设计,实现基于用户行为日志的个性化推荐,并通过Web页面展示出推荐效果。