本文基于当前最流行的社交媒体之一——新浪微博进行研究,并针对当前推荐系统现状和存在的一些问题展开论文研究工作。随着大数据时代的到来,互联网数据呈几何倍增长,各种社交工具也层出不穷,facebook、youtube、新浪微博等工具逐渐成为用户发布和获取信息的重要平台。如何从大量信息中获取自己想要的信息,关系到用户的实际体验,更关系到商家的产品竞争力。在此基础上,互联网用户的个性化推荐系统应运而生。目前流行的推荐算法有基于内容的推荐、基于协同过滤的推荐、基于兴趣的推荐和混合推荐等。基于用户兴趣的推荐是多种推荐方法中重要的一种。该推荐方法旨在挖掘用户潜在兴趣,达到对用户更全面的理解从而提升推荐的准确率。为了更准确地捕捉用户兴趣的变化,兴趣漂移理论应运而生。兴趣漂移方法主要有时间窗口法、遗忘函数法、马尔科夫理论法等。本文以马尔科夫理论为基础,以微博文本为背景,提出了多状态转移马尔科夫链的转移概率矩阵计算方法和基于马尔科夫链融合的兴趣预测方法。文章首先使用潜在狄利克雷模型提取用户微博的潜在主题和主题概率,将潜在主题作为用户的兴趣,并根据微博和模型的特点计算用户的兴趣度,然后使用主题演化理论模拟用户兴趣的动态变化。由于传统的马尔科夫链是单状态的转移,不能很好地应用于微博用户多兴趣同时转移的情况,本文提出了多状态同时转移的转移率矩阵计算方法,并为每个用户建立马尔科夫链模型。为了更好地做出推荐,使用综合了语义相似度和概率相似度的用户兴趣相似度算法寻找相近的兴趣,并综合兴趣度寻找用户的相似用户。将相似用户的兴趣和转移率矩阵进行融合,使用融合后的马尔科夫链预测用户兴趣。基于用户兴趣度最高的几个兴趣为用户推荐Top N个微博。最后使用微博的真实内容作为实验数据,对影响模型的多个参数做了对比实验寻找参数的最优值。最后对模型的准确率和推荐效率进行了对比实验,结果表明,该算法有较高的预测准确率和更快的运算速度。对推荐的实际应用有一定的借鉴作用。