随着互联网社交网络的普及以及社交网络的发展,社交网络已经从简单的沟通交流的平台逐渐转化为人们获取信息的主要途径。而社交网络由于用户数量多,数据沉淀量巨大,用户想要获取其所需要的精准信息往往存在一定的难度。针对这一问题,许多社交网络平台采取给用户推荐个性化内容的方式,方便用户获取自己感兴趣的主题。但是由于现有的个性化推荐相关研究中,一部分是只考虑了用户的个人配置信息,另外一部分是对用户邻域社交关系的挖掘不够深入,这会致使常用的推荐方法不能够对用户进行精准定位。本文在总结了社交平台主题推荐中存在的缺少对用户之间兴趣的相互影响作用等问题后,提出了基于邻域用户的主题推荐模型。首先根据本文的研究目的,对国内外关于用户模型研究、模型扩展研究以及个性化推荐的主要算法三个角度的文献进行总结分析与梳理。深入解读了基于用户兴趣的个性化推荐模型的分类、信息来源、建模方法、更新等环节的研究。对用户模型的扩展方式进行文献调研,剖析了目前的研究成果中存在的问题等,为下一步的研究奠定理论基础。对国内外主流的个性化推荐算法进行总结。其次进行本文模型的构建,将用户模型解析为内容覆盖度和专业覆盖度的结合,分别进行理论解析、创建用户模型。对用户模型进行基于本体的语义扩展,加入邻域用户社交关系,将目标用户与好友之间的关系定义为认知关系,分别包括资源认知和关注关系认知,分别进行定义和计算。将邻域好友集的兴趣主题与目标用户兴趣主题集相融合,对目标用户的主题兴趣集进行兴趣主题集拓展以及主题兴趣度更新,生成最终的邻域用户主题集。最后使用北理工数据集和微博公开数据集所构建的邻域用户模型,对模型进行推荐效果验证,结论表明本文所提出的基于邻域用户的主题推荐模型的推荐效果是明显要优于孤立用户模型以及协同过滤推荐机制,并且通过邻域好友用户集学习得出的兴趣模型还能够满足多数人的兴趣主题需求,有利于增强用户社交主动性。