随着Web2.0技术和移动终端设备的蓬勃发展,全球互联网进入网络交互时代。作为Web2.0技术的典型代表,微博以其便捷高效,传播迅速,交互性强等特点吸引了大量用户,它逐渐成为一个信息共享和意见表达的交流平台。微博用户及内容急剧性增长的背后同时也造成了内容的泛滥。因此,如何高效精确地为微博用户从庞大的微博信息中找出合适的内容并推荐给用户,已经成为研究人员进行相关微博研究的热点。向微博用户推荐对其有价值内容的决策过程是复杂的,会受到各种因素的影响。通过分析微博特点以及现有微博推荐算法的缺陷,本文在融合了微博内容、用户标签和用户社交关系的基础上,提出一种新的微博推荐框架,以向微博用户推荐高质量的微博。该框架包括微博用户标签扩充、微博用户兴趣建模以及微博推荐三部分。微博用户标签扩充的目的是抽取用户微博文本中的关键词,增加用户标签数量,这些标签可以用来为用户推荐高质量的微博。微博用户兴趣建模的作用是让微博推荐系统“在恰当的时间以恰当的方式做恰当的事情”,即带给用户最好的使用体验。论文的主要工作如下:(1)提出了基于超图随机游走的微博标签扩充方案。该方案将微博视为超边,微博中的词视为超点构建超图,并对超边和超点进行加权,通过在超图上随机游走得到一定数量的关键词对微博用户标签进行扩充;(2)设计了基于标签概率相关性的微博用户兴趣表示模型。采用相关性标签权重加权方案,构建用户-标签矩阵,利用标签之间的概率相关性,构造标签相似性矩阵对用户-标签矩阵更新,解决了用户标签矩阵稀疏的问题;(3)设计了融合用户社交关系的微博推荐方法。在上一阶段的基础上,将基于共同关注与共同粉丝的用户社交关系矩阵与更新后的用户-标签矩阵迭代融合,更好地表征了微博用户兴趣,从而提高了微博推荐的质量。以新浪微博公开API抓取的微博信息作为实验数据,并进行了一系列的验证和分析,最终结果表明本文提出的推荐算法具有较好的效果。