1、作為一種通過(guò)關(guān)注機(jī)制分享簡(jiǎn)短實(shí)時(shí)信息的廣播式社交網(wǎng)絡(luò)平臺(tái)，微博已經(jīng)成為人們交流和獲取信息的重要渠道。用戶關(guān)注列表中好友發(fā)布的微博是用戶獲得的信息主要來(lái)源，但隨著微博用戶規(guī)模和活躍用戶數(shù)量的不斷增長(zhǎng)，用戶的關(guān)注列表變得越來(lái)越稠密，從而導(dǎo)致用戶可能面臨信息過(guò)載的問(wèn)題。如何從繁多的信息流中挖掘出對(duì)用戶有價(jià)值的微博是提高微博用戶服務(wù)質(zhì)量的關(guān)鍵問(wèn)題。
　　本文研究了現(xiàn)有的微博推薦方法，在充分利用現(xiàn)有的方法基礎(chǔ)上，結(jié)合實(shí)際應(yīng)用場(chǎng)景，將微博個(gè)性

2、化推薦問(wèn)題轉(zhuǎn)化為對(duì)用戶接受到的微博信息重排序的問(wèn)題。首先本文通過(guò)會(huì)話劃分，確定了推薦范圍;接著基于用戶偏好、微博內(nèi)容、發(fā)布者權(quán)威三種維度構(gòu)建了多個(gè)微博特征;然后提出了動(dòng)態(tài)自適應(yīng)(dynamicself-adaptive feature weighting，DAFW)的權(quán)重融合方法，在實(shí)驗(yàn)驗(yàn)證其推薦有效性的基礎(chǔ)上，最后設(shè)計(jì)了實(shí)時(shí)個(gè)性化微博推薦系統(tǒng)。本文的工作成果主要有以下幾個(gè)方面:
　　(1)本文建立了一套較為完備的微博語(yǔ)料處理方案

3、，基于處理過(guò)的微博語(yǔ)料訓(xùn)練通用主題模型，再采用吉布斯采樣(Gibbs Sampling)從通用主題模型中抽取出目標(biāo)文本的主題分布，從而解決了短文本主題建模難的問(wèn)題。
　　(2)本文抽取用戶轉(zhuǎn)發(fā)過(guò)的但非其關(guān)注的博主，將其發(fā)布的微博作為待推薦內(nèi)容不足情況下的補(bǔ)充，使得用戶不用通過(guò)關(guān)注機(jī)制也可以接收到感興趣的微博。
　　(3)本文基于用戶偏好、微博內(nèi)容、發(fā)布者權(quán)威三種維度構(gòu)建了十個(gè)微博特征，其中包括了很多分析特征，如微博熱度、交互

4、TF-IDF等，這些特征的加入，能夠明顯的提高推薦質(zhì)量。
　　(4)為解決多指標(biāo)融合問(wèn)題，本文將信息熵引入到權(quán)重調(diào)整環(huán)節(jié)，主要根據(jù)每一個(gè)特征值變異性大小來(lái)確定客觀權(quán)重，并結(jié)合均值及參數(shù)得到排序函數(shù)，實(shí)驗(yàn)證明了本文方法的有效性。
　　(5)研究并設(shè)計(jì)了實(shí)時(shí)推薦系統(tǒng)，將本文的理論研究成果應(yīng)用到實(shí)際生活中，從而創(chuàng)造價(jià)值。
　　本文工作能夠有效的處理社交網(wǎng)絡(luò)時(shí)代普遍存在的信息過(guò)載問(wèn)題。用戶能夠花更少的時(shí)間捕捉到朋友圈中比較有特