微博已经成为信息交换和网络传播的一个非常流行的社交平台,对微博用户进行好友推荐,有助于帮用户在海量信息中找到自己感兴趣的信息,有效解决信息过载问题,同时对深入挖掘用户需求,拓展更加多元化、差异化的服务类型,制定针对性产品满足用户线上线下各种生活服务需要、信息传播、广告投放具有重要的意义。本文采用两阶段方法实现微博好友推荐,第一阶段发现微博中的社区结构。已经表明,社交网络的社区通常是重叠和分层的,本文同时考虑微博网络社区的重叠性和层次性,结合用户标签的相似性,使用改进的基于极大团的层次聚类算法(EAGLE,Agglomerative Hierarchical Clustering based on Maximal Clique),发现微博中的重叠社区结构。第二阶段使用潜在狄利克雷分布(LDA,Latent Dirichlet Allocation)得到每个用户的主题分布,计算目标用户与其所属社区内其他用户间主题的相似性,结合用户间微博的转发关系,从而得到目标用户的Top-N好友推荐列表。本文使用Java和Python语言实现了完整的好友推荐系统,并在真实的微博数据集上做了大量实验,结果验证了该系统的可用性。本论文以微博网络为研究对象,以复杂网络理论、社区发现算法、主题模型相似性计算为主要研究方法,运用数据挖掘的思想对微博中的数据进行处理、存储、算法建模、算法实现、实验与分析,并用到了机器学习的方法,进行模型训练与分类。实验证明该推荐系统具有较好的推荐效果。