微博通过自身多年的发展,逐渐成为国内最大且具有代表性的社交媒体,每天都有大量用户通过微博浏览新闻信息,发表微博文本,进行社交互动等。但是,在微博被广泛应用的同时,也产生了相应的问题:海量信息造成的数据冗余与用户实际的数据需求间产生的矛盾,既造成了用户接收无意义信息的负担,也增加了信息传播的成本。对微博用户建模进行研究,不仅有利于各类商业信息的精准投放,同时对社会舆情监控,民生反映等方面都有着十分重要的作用。本文主要针对微博用户建模任务中特征提取不完善,性别分类和兴趣识别准确率不高等问题进行研究,主要的工作内容如下:1.针对中文微博性别分类工作中特征提取有待完善,性别分类准确率有待提高的问题,提出了一种新的基于融合策略的微博用户性别分类模型。该模型首先利用微博用户的微博文本特征构建分类器并得到分类结果;然后利用卷积神经网络模型对用户的性别进行分类;最后采用XGBoost模型将两个分类模型进行融合,得到最终分类结果。实验结果表明,该方法相比一系列对比方法有更好的分类结果。2.针对微博用户兴趣识别问题中语料利用不充分,识别效果不理想的问题,提出了一种用户兴趣三层建模方法。首先利用传统的分类方法对用户兴趣进行分类,得到分类结果,并利用阈值识别出判断正确的用户和判断错误的用户;其次统计错误判断的用户中含有标签信息的用户,比较其用户标签词和兴趣类别主题词的相似度,对误判用户中不含标签信息的用户,比较其用户文档主题词和兴趣类别主题词的相似度,两次比较中都取相似度大者对应的兴趣类别作为用户的兴趣类别;最后综合三层结果得到所有用户所属兴趣类别。实验结果表明,该方法可以提升用户兴趣识别的准确度。