随着社交网络的发展,新浪微博作为最大的社交平台之一,其广大的用户群体和海量的博文信息,为信息处理带来了巨大的压力,很多有价值的内容和用户被隐藏在了庞大的信息之中。新浪微博作为最大的微博平台,存在着新用户主题单一,其用户的影响力不易衡量,潜在好友不易发现等问题。针对上述问题,本文将通过以下三部分的工作来改进新浪微博用户的推荐效果。首先,根据新浪微博中用户关系和微博文本划分出不同的用户群体,并在此基础上运用主题模型分析不同群体中用户博文的主题分布。其中,借助于k-means约束聚类的思想,改进微博用户间的复杂关系的度量方式,给出了用户间关系强弱的计算方法,同时,针对微博中存在的好友稀疏问题,同时选取目标用户的好友及其好友的好友来改进聚类的划分效果。在此基础上,本文提出了基于用户关系的弱约束k-means算法,并通过实验对比,在证明算法有效性的基础上,进一步验证了该算法相比于传统算法在社交网络数据上具有更好的适用性。其次,根据微博上用户群体的博文特点和用户特点,提出了一种对微博用户群体综合影响力进行评估的模型。该模型融合了TwitterRank算法的思想,结合了博文的评论、转发、点赞以及用户间的标签相似性,来度量微博用户群体的影响力。实际采集的博文数据集上的实验证明了该影响力模型的合理性和有效性,同时能够较好的实现从整体的角度来评估个别用户。最后,在影响力的基础上,根据目标用户与最具影响力群体中用户的主题相似性做推荐并且通过微博真实数据集证明,本文的方法能够较好的发现新用户和主题单一用户中可值得推荐的内容。与传统的推荐方法相比,改进后的推荐方法具有较好的准确性和实用性,实际推荐的内容也更加广泛。