随着互联网技术的不断深入发展,各大社交平台出现,产生着大量的文本信息,对这些文本信息进行挖掘处理可以将这些文本数据进行有效合理的分类,也可以通过对这些文本信息的深入挖掘发现网民思想动态、情绪走向等。微博作为互联网技术发展重要的产物之一,由于使用门槛低等特点,使得微博参与者数量非常多,微博关于社会生活事件的讨论度也非常高,因此对其进行文本挖掘分析具有非常重要的意义,与此同时,在文本挖掘领域,文本相似度计算是许多其它文本挖掘应用的基础,能够解决互联网上大量文本的杂乱无序问题,在自然语言处理领域当中非常地重要,能够为后续的文本挖掘处理提供基础支撑。针对微博文本传播特点,做好微博文本相似度计算面临着巨大挑战。本文为解决这一问题,引入词向量优点,通过分析文本相似度计算的总体框架流程,在综合考量文本的语义信息和表层统计信息的基础上,构建了一种新的相似度计算方法。详细地设计和描述了本文设计的文本相似度计算模型的各个模块。本文做的主要工作和得到的研究成果如下:(1)探讨了文本相似度计算的研究发展历程以及研究现状,结合本文实际研究背景给出了文本相似度的定义及内涵、常用的文本表示方法和几种经典的文本相似度计算模型,并详细地阐释了本文用到的词向量技术,为模型的建立打下了很好的基础;(2)通过广泛地阅读相关文献,对现有的文本相似度计算方法进行了总结分析,在此基础上给出了本文提出的基于加权Word2vec的文本相似度计算方法的提出动机,并对该文本相似度计算方法的总体框架进行了概述;(3)通过对模型各个模块关键技术的分析,利用大数据环境下词向量可以很好表示词语语义信息的优势,分析文本特征并完成了整个模型的构建。同时详细的分析了文本预处理、文本特征向量获取、相似度计算等关键技术的具体功能和实现流程;(4)在以上理论研究和相关技术分析的基础上,将本文提出的文本相似度计算方法应用在采集到的微博实验数据集一中进行文本分类研究,通过对实验结果进行的分析对比验证了文本提出方法的可行性。在采集到的微博实验数据集二中,采用本文提出的文本相似度计算方法利用K-means进行微博文本聚类,从而得到这些文本聚簇的主题,并提取出现频率最高的词语来表示这些文本聚簇的主题。