随着社交媒体的普及和广泛应用,导致微博等社交网络信息爆炸,凸显了信息过载问题—一面对海量的数据,用户很难从中找到感兴趣的信息。而推荐系统是解决该问题的一个重要工具,受到了学术界和工业界的广泛关注。但现有微博推荐算法还存在着交互行为时效性考虑不足、数据稀疏条件下推荐准确率低以及群组硬划分等问题。针对上述问题,本文在研究分析现有微博推荐算法的基础上,提出基于联合概率矩阵分解的微博推荐算法和基于拓扑势的微博推荐算法。本文主要的研究内容包括以下三个方面:(1)提出基于联合概率矩阵分解的微博推荐算法。针对交互行为时效性考虑不足的问题,本文在用户之间点赞、转发和评论等交互行为基础上,通过引入遗忘函数,提出一种能区分不同时间段交互行为的影响力评估模型;针对数据稀疏条件下推荐准确率低的问题,引入联合概率矩阵分解方法对用户相似度矩阵和影响力矩阵进行联合概率矩阵分解,缓解了数据稀疏条件下推荐准确率不高的问题。(2)提出基于拓扑势的微博推荐算法。针对群组硬划分的问题,本文使用LDA主题模型分析微博文本的主题,并结合用户自定义标签构建用户兴趣偏好向量,使用KL距离计算用户偏好向量之间的相似度距离,引入拓扑势，根据用户间偏好相似度距离对用户进行聚类,划分出用户群组,实现用户重叠群组划分。(3)设计并实现了微博推荐系统。本文将基于联合概率矩阵分解的微博推荐算法和基于拓扑势的微博推荐算法应用于微博推荐系统,系统包含数据源模块、预处理模块以及微博推荐模块。数据源模块主要功能是爬取微博数据,预处理模块主要是对爬取的数据进行清洗、分类,微博推荐模块实现了两种推荐算法,向用户推荐符合其兴趣的内容。