随着互联网的飞速发展,人们日常生活出现极大的变化。互联网应用的出现使信息获取方式变的简单化,而各社交应用的出现使信息传播方式变的多样化。社交网络已逐步变成人们获取和传播信息的新平台。微博作为当下最热门的社交媒体吸引了大量用户进行信息分享和交友沟通。随着微博上用户数和信息量的迅速增长,其用户想要寻找自身感兴趣的内容变得越来越困难,帮助用户挖掘潜在好友成为微博的主要个性化服务。该服务通过用户的个人背景资料、关系网络图、历史行为信息等发现相似的用户,对其进行好友推荐来发展用户自身社交关系,从而增强平台上用户的活跃性和粘着性。为此,本文针对微博好友推荐研究现状,提出基于用户不同使用偏好的两种好友推荐算法,具体内容如下:1.现有微博好友推荐研究中未对用户关注好友偏好不同加以区分,多是对全体用户或社区划分后用户采用同一种推荐算法,导致最终推荐结果缺乏准确性或局限于划分后的社区类别。为此,针对偏好为关注或分享自己感兴趣内容的用户,提出了一种降低知名用户对推荐影响的用户相似度和信任度衡量方法,并结合逻辑回归训练模型,建立了基于信任和用户关系的微博好友推荐算法。该算法以满足用户使用需求为目标,同时保证推荐范围广度和提升推荐准确性。2.协同过滤推荐算法主要使用评分信息构建评分矩阵,从而进行用户评分预测,再根据预测评分对用户生成推荐列表。因为微博平台上并不存在所谓的评分数据,难以直接使用该算法进行用户好友推荐。针对这一问题,提出一种使用用户间互动数据(转发、点赞、评论)转变为用户评分的方法,进而构建评分矩阵并结合SVD++模型缓解矩阵稀疏问题,求得用户间预测评分。3.考虑偏好为及时了解热点事件的用户,在用户预测评分的基础上添加用户影响力特征提出了一种基于SVD++模型和影响力的好友推荐算法。由于发布热点事件的用户往往拥有较高的影响力,在保证推荐准确性的前提下,增加发布热点事件用户在推荐结果中所占比例。最终实验结果验证了在微博好友推荐中,没有评分数据同样可以使用协同过滤算法进行有效的推荐行为。证明了本文提出的两种算法在微博真实数据中均比单一因素推荐和未考虑用户使用偏好的推荐算法具有优势,有效提升了好友推荐的准确性。