在社交网络SNS(Social Network Service)中,用户可以通过添加、关注好友等方式拓展自己的朋友圈。然而随着社交网络规模的扩大,用户间的链路结构将变得更加复杂,用户很难迅速找到兴趣相似的好友。因此,好友推荐系统应运而生,旨在帮助用户高效获取感兴趣的好友。传统的社交网络好友推荐,一般通过粉丝量,点赞数关注好友,结果知名度高的好友被优先推荐。但是这种推荐方法无法挖掘隐藏于文本内容的观点或兴趣相似的好友关系,存在一定的局限性。针对以上问题,本文提出一种结合用户发布文本内容分析的关联规则挖掘好友推荐方法。主要研究的内容如下:(1)设计基于UserLDA的用户聚类模型,实现相似兴趣用户聚类。用户发布的短文本数据过于稀疏,传统主题模型抽取的文档主题将不具有代表性,UserLDA拓展主题模型可以将用户所发布的短文本进行聚合,形成用户文档集,有效解决数据稀疏问题。通过对用户文档集数据预处理、特征提取后作为模型的输入,训练后获得用户-主题偏好矩阵,对目标用户做相似度计算生成主题相近的用户。(2)提出基于主题模型和关联规则的好友推荐(FP-LDA)模型,推荐目标用户感兴趣的好友。由于基于UserLDA聚类的用户缺乏关联性和多样性。因此引入关联规则算法,将聚类用户匹配用户间关注关系作为项集,通过设定支持度,挖掘用户项集的频繁模式,得到具有关联性的好友列表。(3)通过对微博数据集多组对比实验,验证了FP-LDA模型在召回率,准确率和F1值上都有所提高。最后,依据本文提供的FP-LDA模型设计并实现了一个基于B/S架构的推荐好友系统证明该模型的有效性。