在数字经济时代,随着大数据和社交媒体应用不断地深入网络用户的生活,用户数量急速增长推动了社交网络的推荐信息技术的快速发展。社交网络平台不仅可作为用户获取和传播信息的有效渠道,而且可作为最新资讯和社会问题治理的重要媒介。为用户提供符合个人感兴趣的新闻是社交网络的重要任务,优秀推荐算法已经成为社交网络平台竞争的核心技术。然而,推荐算法也还存在歧义性、数据稀疏、爬取大量的无用信息等影响其性能的因素,因此,为了提升推荐算法的性能,论文研究面向社交网络数据个性化推荐,设计了社交网络数据源的爬取策略,并利用文本处理和深度神经网络技术开展了研究工作,具体如下:首先,论文研究了社交网络数据的采集与处理。我们设计了网络爬虫策略,开发了基于Scrapy框架的数据爬取方法。该方法能迅速的定制化采集目标数据,且具备较强的拓展性。我们针对新浪微博平台,结合设计的爬虫策略采集了新浪微博数据,在数据治理中,微博存在大量的无用信息需要去除,论文采用了分词和去停用词技术得到无噪音数据,从而实现了数据的有效治理。第二,在用户标签挖掘算法中,针对用户兴趣标签具有歧义性的问题,论文采用Text Rank TFIDF方法从用户微博中生成关键字及其权重,并结合Apriori算法生成频繁项集和关联规则,设计了基于扩展用户兴趣标签的推荐算法,通过实验结果表明该算法提高了用户兴趣标签的准确性。第三,针对协同过滤算法存在数据稀疏问题,论文采用最新的RJaccard系数来计算相似度,该系数通过考虑用户的所有评分向量来对相关邻域进行分类,并结合基于用户的协同过滤推荐算法,设计了基于RJaccard系数的协同过滤新闻推荐算法,从而缓解数据稀疏问题,并在较低的计算时间内生成推荐。通过实验对比可知,该算法在准确率和召回率上优于其他经典的协同过滤推荐算法。第四,论文设计了一种基于深度神经网络的混合特征新闻推荐方法。该方法先采用基于扩展用户兴趣标签算法和基于RJaccard系数协同过滤算法获得候选推荐微博新闻,从这些新闻中生成混合特征向量,并构建用户个人兴趣、用户间行为相似性和新闻质量相关的混合特征来描述候选新闻;后再将混合特征输入到具有多个隐藏层深度神经网络,最后通过深度神经网络的混合特征模型对新闻进行排序,得到最终的新闻推荐列表。通过网络爬虫获取的微博数据集对该算法进行实验分析,结果表明,该算法在准确率、召回率、F1度量值上比5种经典个性化推荐算法均有更好的效果。综上,论文设计了社交网络数据源的爬取策略,通过对相似度计算方法和用户兴趣标签算法的改进,以及构建一个深度神经网络的混合特征模型,充分地提取用户个人兴趣、用户间相似性和微博质量的有效信息,进一步提升个性化推荐的准确度。