新浪微博作为一种新型的社交应用平台,经过多年的发展,已经成为社交应用的主流。随着“信息爆炸”时代的到来,人们不可能关注所有的微博信息,推荐系统可以发现用户兴趣,针对用户进行个性化推荐。传统的微博推荐系统主要从社交网络的拓扑结构和用户注册信息的方向来考虑,生成相应推荐结果。通常这样给出的结果与用户的兴趣相似度不高。本文主要从用户兴趣的角度出发,分析用户自身发表过的所有微博记录来预测用户兴趣,并给出推荐结果。这样的推荐结果用户针对性更强,更加能满足用户兴趣需求。本文对微博推荐系统的实现过程进行了深入的研究,核心的工作主要分为三个部分：第一部分是新浪微博的数据采集：通过新浪API和网络爬虫这两种方式采集新浪微博的数据,把采集的结果数据作为训练模型的语料库,同时也作为推荐信息的基本来源。第二部分主要对用户进行聚类操作,通过分析用户发表的所有微博,提炼出用户主题模型,然后使用k-means算法对所有的用户主题模型进行聚类操作,把用户划分成k类兴趣相似的用户簇。第三部分关于微博推荐列表生成：用户的所有主题词构成一个用户主题向量,用基于word2vec的文本相似性度量算法计算该簇中其它用户发表的微博与该用户主题向量之间的相似性,得到一个相似度列表。对相似度列表进行排序,取出相似度值最大的N个值所对应的微博加入推荐列表,针对用户进行个性化推荐。最后,利用node.js的express框架和一些前端库,搭建了一个简单的微博推荐系统,该系统基本实现微博个性化推荐的功能。