随着网络新闻的受欢迎程度越来越高,新闻的数量呈爆炸式增长。因此,如何帮助用户高效又准确的从海量的新闻中找到他们感兴趣的新闻成为国内外学者当前研究的主要热点。传统的协同过滤新闻推荐算法是基于用户浏览记录进行研究的,但是,用户的浏览记录不能直接表明用户对新闻的偏好。而用户的评论与新闻的相关性程度却可以直观的体现出用户对新闻的感兴趣程度,如何高效准确的根据评论和新闻的相关性强弱程度对用户评论分类是一个新的而具有挑战性的问题。此外,针对评论文本具有非正式性的特点和语法错误、标点符号滥用的问题,传统的模型无法更深层次的捕捉新闻与评论之间的相关性。基于以上问题,本文构建了基于BERT（Bidirectional Encoder Representation from Transformers）特征提取的新闻-评论相关性分类模型BERTRNC,在此基础上,融合了用户对新闻的评论信息,提出了一种融合用户评论的个性化新闻推荐算法。本文的主要贡献如下:（1）本文提出了一种基于BERT特征提取的新闻-评论相关性分类模型（BERTRNC）,该模型利用在广泛语义库里训练得到的BERT模型来提取新闻及其评论的特征向量,并将提取到的特征向量输入到全连接层网络中来完成分类任务。然后,本文针对新闻与评论相关性程度具有差异的特点,提出了一种基于新闻-评论相关性强弱的多分类损失函数。同时,本文针对新闻评论的简洁性,口语化性,非文学性的特点,对BERT模型进行了微调操作,使得本文提出的模型能更加高效的从口语化的评论里提取到更精确的文本特征。最后,通过大量实验表明BERTRNC模型相比于其他基准模型拥有更好的表现。（2）本文提出了一种融合用户评论的个性化新闻推荐算法（UserCF-HLC）。该算法首先提出了一种用户相似度的计算方法,该方法融合了新闻的热度影响和用户评论的文本特征。然后,本文将评论与新闻的相关性程度纳入到用户对新闻偏好程度的计算上,根据相关性等级来衡量用户新闻浏览记录的置信程度。其次应用协同过滤的核心思想,生成更符合用户兴趣的新闻推荐列表。最后本文进行了大量实验,实验结果表明融合用户评论的个性化新闻推荐算法与其他算法相比,推荐效果有了显著的提高。