近年来,随着互联网上产生的数据越来越多,用户面临着“信息过载”的问题。如何从海量的数据中快速找到用户所需的信息,并利用这些数据来进行个性化推荐已经成为趋势。对于当下最流行的社交网络-微博,吸引了数以亿计的微博用户使用,用户可以通过微博平台来获取、发布信息以及拓展社交圈,其产生的数据是巨大的。因此,以微博数据为基础,挖掘用户兴趣并进行个性化推荐很有意义。传统微博个性化推荐算法采用的数据来源单一,模型简单,导致推荐准确率不高。针对这一问题,本文开展了如下主要工作:第一,提出一种基于User Profile的微博用户推荐算法。根据微博数据的特点,深入研究了“微博文本”、“标签”、“社交关系”和“用户自身基本信息”等因素对微博个性化推荐的影响,通过训练LDA主题模型和SVM分类器将它们转变为标签,并赋予权重来描述用户兴趣,进行用户推荐以提高推荐准确性。并与基于传统VSM模型和HMM模型的推荐算法进行了对比实验,结果表明,该算法有更佳的推荐效果。第二,提出一种基于User Profile的微博个性化推荐算法。首先计算User Profile和微博Profile的相似度;其次考虑到微博用户的社交特征,提出一种根据评论、转发和收藏等行为来计算用户之间的亲密度的方法;最后将两者结合来计算微博评分,根据评分高低进行微博推荐以提高推荐准确性。并与基于VSM算法的推荐算法相比较,结果表明,该算法准确率和召回率有明显的提高。第三,利用本文提出的算法理论,结合实际需求,在具体的应用场景下设计实现了微博个性化信息推荐系统。系统包括了数据采集模块、数据处理模块、创建Profile模块和个性化推荐模块。