随着互联网技术的飞速发展,人们面临着越来越严重的“信息过载”问题。无论是信息生产者还是信息消费者都面临着巨大的挑战,个性化的信息推荐服务是信息时代提高信息获取能力的重要手段。个性化的信息推荐服务是建立在对用户兴趣进行准确刻画的基础上实现的,然而用户的兴趣范围广泛且不稳定,刻画兴趣的形式和建模技术受到用户数据形式的制约,因此用户兴趣建模技术是整个个性化信息推荐的重点和难点。以微博为代表的社交应用正日渐改变人们的生活和交流沟通方式,其中丰富的用户数据有着重要的应用价值,用户在微博上发布的文本、日常的点赞、关注等行为数据都能充分体现用户的兴趣偏好,所以建立在微博数据上的用户兴趣模型是可行的。基于这样的背景,本文对微博活跃用户兴趣偏好建模和基于微博用户兴趣模型的信息推荐技术做了相应的研究。首先,利用SVM分类器实现微博活跃用户的识别和检测。然后利用基于层次分析法的文本权重计算方法提取用户的兴趣标签,并建立基于标签的向量空间模型;分别利用LDA主题模型和句子向量模型对微博用户进行兴趣建模,提出融合这两种模型的文本相似度计算方法。接着利用谱聚类算法改进基于用户的协同过滤推荐算法,提高了推荐效果。最后,将本文的研究成果应用到新闻推荐原型系统中,通过对系统的实现,验证了算法的可行性和有效性。本文研究的创新点在于:(1)充分利用微博文本的特点,提出基于层次分析法的微博文本特征权重计算方法。(2)提出一种融合LDA主题模型和句向量模型的文本相似度计算方法,能够多层次、多粒度地刻画文本间的相似性。(3)利用谱聚类算法对用户进行兴趣聚类,降低了协同过滤算法的时间复杂度,提高了算法性能。