随着移动互联网时代的到来,微博等社交媒体平台异军突起,其连接的用户数以及用户产生的数据呈现出爆发式增长,由此而促成了社交媒体大数据的诞生。如何挖掘这一数据源中蕴含的宝贵信息和知识一直都是工业界和学术界研究人员关注的焦点,而用户兴趣画像则正是有效利用这一数据源的方式之一。对于企业来说,用户兴趣画像是其完成个性化推荐、精准营销和服务方式升级,甚至战略决策的基础;对于用户来说,用户兴趣画像则是其规避信息轰炸的有效手段。所以,研究用户兴趣画像不论是对于企业还是用户来说都具有非常重要的意义和价值。然而,在以微博数据为基础的用户兴趣画像相关研究中,由于微博文本中存在非正式性、简洁性和“信息过载”的问题,且微博数据难以获取,使得微博用户兴趣画像一直都难以有效构建。本文针对上述问题,主要做了如下三方面的工作来尝试解决或减轻这些问题,并得出了相关结论:(1)以网络爬虫的方式抓取新浪微博数据两千余万条,并通过hashtag构造原始微博用户兴趣画像标签数据集十万余条用于支持本文的相关实验,该数据集也可用于研究人员继续开展微博用户兴趣画像方面的各项研究;(2)针对微博文本的非正式性,提出了一种基于支持度视角的新词发现(New Word Discovery,NWD)算法,用于发掘微博文本中大量存在的网络用语和新词,从而实现更加准确的分词及语义把握。实验结果表明,本文所提新词发现算法的效果要优于现有主流基于点互信息(Pointwise Mutual Information,PMI)和邻接熵(Branch Entropy,BE)的新词发现算法;(3)在综合考虑微博文本特殊性的基础上(包括引入Simhash处理“信息过载”的问题,由双向长短期神经网络(Bidirectional Long Short Term Memory,Bi-LSTM)提取博文语义特征以应对微博文本简洁性的问题),提出了一种集成NWD算法的监督式组合算法框架——新词发现-双向长短期记忆网络-梯度提升(NWD-Bi-LSTM-XGBoost)算法框架。实验结果表明,粗粒度(一级)兴趣标签模型NWD-Bi-LSTM和细粒度(二级)兴趣标签模型NWD-Bi-LSTM-XGBoost的宏平均F1值(Macro-average F1 score,mF1)和受试者工作特征曲线下面积(Area Under ROC Crave,AUC)分别达到了88.1%、83.8%和74.5%、67.4%,说明NWD-Bi-LSTM-XGBoost算法框架能有效构建多粒度微博用户兴趣画像。而相对于基准模型,NWD算法的集成使得模型的mF1值和AUC值均能提升3%～5%,且其促进作用优于现有的新词发现方法。另外,相比于skip-gram算法训练得到的静态词向量,由BERT-Base生成的动态词向量在多粒度微博用户兴趣画像中表现更佳,其在mF1和AUC上的最大提升分别达到了4.5%和4.1%。