信息技术的飞跃式发展以及互联网的深度普及促使社交网络服务(SNS)造就了一个全民社交的大环境,由此产生的海量信息必然会给用户在结识志趣相投朋友的过程中带来很大困扰。因此,本课题的研究很有必要性。为了解决微博平台遇到的上述问题,本文主要从两方面展开:一方面,用户的兴趣特征一般是通过提取注册时的属性信息或兴趣标签来获得,而这些信息并不能准确反映用户的兴趣偏好,反而短期内发布的文本内容恰好反映用户当前感兴趣的主题。另一方面,朋友的朋友推荐算法(FOAF)利用“共同好友”数量作为衡量指标时,忽略了用户之间的差异性。为了兼顾以上两方面的内容,本文方法综合考虑了主题兴趣和社交兴趣对用户进行推荐。本文研究的主要内容如下:1.为了减少基于社交关系推荐结果的局限性以及解决基于内容的个性化好友推荐算法推荐结果准确率低的缺陷,本文提出一种面向用户兴趣主题的好友推荐方法(ITOR)。2.本文在分析用户的社交关系时,利用先验概率的思想计算拥有不同共同邻居数目的候选者推荐给目标用户的概率;为了弥补传统向量空间模型语义的不足,本文将关键词共现技术、K-core分析技术引入到基于内容的推荐算法中,通过关键词分布特征来衡量用户兴趣特征。3.为了改进ITOR好友推荐模型,本文提出一种改进的面向用户兴趣主题的个性化好友推荐算法(IITOR)。首先,本文利用MTC算法降低关键词矩阵维度,在关键词共现技术的基础上考虑语义环境来计算用户的主题相似性;其次,在FOAF推荐算法的基础上融入用户之间的交互程度,计算用户的社交相似性;最后,将社交相似度和兴趣相似度线性加权作为最终的推荐依据。最后,利用微博平台的数据验证本文提出算法,经实验证明该算法在准确率、召回率、以及F-measure等方面的值有所提高。