1、社會網絡是近年來快速發(fā)展的社會實時新媒體，它日益影響著人們的生活和學習，幫助人們更好的進行信息的交流和分享。在社會網絡上，存在著一些非?；钴S的用戶，他們關注了成百甚至上千的其他用戶。而網絡快速的信息流極易造成信息過載，用戶無法在訂閱的大量消息中找到自己感興趣的信息。本文針對這一問題，利用排序學習算法建立用戶偏好模型，對新數據按分值大小進行排序。
　　 首先，針對數據稀疏性問題，本文提出利用用戶朋友的數據進行解決的思路。對不同的朋

2、友，用戶與他／她的親密度不同，該朋友數據的重要性不同。本文使用用戶相似性度量不同數據重要性的方法，并通過分析目標用戶與其關注的朋友之間的各種關系以及文本相似度等信息計算相似性。本文首先利用RankingSVM對社會網絡中的消息進行排序，并對加入朋友樣本進行訓練的方法進行了驗證，實驗結果表明了算法的有效性。另外，為了提高模型的效率，我們使用RankBoost算法對消息進行排序，修改損失函數反映不同數據集的重要性，實驗結果表明RankBoo

3、st算法效率高且能應用于實際。
　　 其次，為了訓練模型，我們抽取了樣本的多種特征，包括消息文本特征、消息作者自身的特征、目標用戶跟消息作者之間的關系等特征。另外，針對社會網絡消息文本短小的問題，我們在使用TF-IDF的基礎上，增加了利用LDA抽取的文本主題特征。在用戶的相似度計算上，本文最大程度的利用了社會網絡的各種信息，提出利用文本相似度、社會關系相似度、交互的頻率等多種信息計算用戶相似性。
　　 最后，在國內微博數