近年来,随着社交网站的快速发展,几乎每一个互联网用户每天都在使用不同的社交网站以及基于社交网站的服务。社交关系是社交网站最为核心的数据,也是其他所有服务的基础,因此社交网站中的用户推荐系统具有非常重要的研究意义和应用价值。本文基于国内著名社交网站腾讯微博的数据,深入研究了协同过滤算法的相关技术。具体的研究工作如下：(1)在数据分析的基础上提出了微博用户推荐系统所面临的主要问题,实现了三个基准预测模型,为后面对协同过滤算法进行改进提供了实验依据。(2)利用社交关系和目录、关键词信息在效率和精度两个方面改进了传统的基于用户的邻居模型和基于项目的邻居模型。(3)提出了融入社交关系的非对称因子模型,有效解决了冷启动问题,大大提高了预测精度,并在此模型基础上通过融入上下文信息,进一步提高了精度。(4)实现了线性回归以及神经网络组合方法,组合多个单模型的预测评分,实验表明在模型中融入各类信息比通过组合模型来利用这些信息更能提高预测精度。