伴随着移动4G网络的到来以及无线网络的大面积覆盖、web3.0的迅猛发展以及智能手机、平板电脑的快速普及,催生了微博客户端(移动微博),并且迅速在全球范围内成长发展。移动微博即是移动微博服务,为用户推荐需求信息,但对情景依赖较高。为满足用户个性化需求,减少用户搜索信息时间,各微博网站大力发展推荐系统。在移动微博推荐的过程中,由于移动微博的移动性、及时性的特点,传统的推荐系统不能简单地复制应用,需改进其推荐算法。同时用户个性化属性、用户的社交网络关系以及用户的当前情境特征都会对用户兴趣产生影响,从而一定程度上影响微博的推荐准确性。为了增加平台的粘度,提高平台推荐信息的质量,同时最大限度的满足移动微博用户的个性化需求,本文通过分析影响移动微博用户兴趣因素,构建了用户情境兴趣模型及社交网络用户兴趣模型,并最终融合成综合用户兴趣模型,将此模型应用到协同过滤算法中,得到了基于用户兴趣的移动微博协同过滤推荐方法。该方法首先构建综合用户兴趣模型,并通过加权的Slope One方法对解决在协同过滤推荐过程中数据稀疏性问题。其次,改进K-means聚类方法,准确选取用户聚类中心,提高移动微博用户聚类的准确性以及搜索目标用户最近邻居的效率。最后,通过综合用户兴趣模型,获取准确目标用户兴趣,在聚类结果中,通过相似性公式计算,生成准确的目标用户近邻,预测为目标用户的准确推荐信息,从而为移动微博用户提供更准确的推荐信息。