互联网的迅速发展为用户提供了海量的信息,巨大的信息量也使得用户搜索信息变得十分困难,于是便出现了“信息过载”问题,推荐系统是解决此类问题最有效的工具之一。近年来,推荐系统的研究和应用已经取得了一定的成果,但是应用于社交网络的推荐算法仍然存在一些问题,比如热点话题中热度值计算不准确的问题、推荐算法中冷启动问题等等。本文针对推荐算法中热度值计算不准确的问题,提出了一种基于特定用户角色的热度值计算方法。对于推荐算法的冷启动问题,提出了一种融合人工蜂群的微博话题推荐算法,并利用提出的算法完成了微博话题推荐原型系统。本文所做工作主要包含以下三个方面:(1)研究舆情分析中的热点话题发现方法,提出一种基于特定用户角色的热度值计算方法该方法在综合考虑发布者、关注度、时间、转发数和评论数等因素的前提下,通过设置特定用户的权重计算话题的热度。实验结果表明,该方法能够准确检测微博中的热点话题,并可以帮助相关舆情监管部门对微博热点事件的监控和管理。(2)研究人工蜂群算法和协同过滤推荐算法,提出一种融合人工蜂群的微博话题推荐算法该算法首先利用微博话题热度、用户特征、用户偏好和起始时间四个因素构建适应度函数;其次,利用该函数求解人工蜂群算法的适应度值;最后,根据计算得出的值对用户进行微博话题推荐。通过实验验证,该算法可以较好地解决协同过滤推荐算法中的冷启动问题,并能提高推荐的准确性。(3)设计并实现了基于话题热度的微博话题推荐原型系统将改进的话题推荐方法应用于微博话题推荐原型系统。在该系统中,包括数据采集、数据处理、话题检测、热点发现和话题推荐五个模块,实现了基于特定用户角色的热度值计算方法和融合人工蜂群的微博话题推荐算法的推荐原型系统。结果表明,以上两种方法能够有效提高舆情推荐的准确性。