微博作为信息分享和传播的网络平台,近年来得到了广泛的应用。如何让用户在海量的微博中获取到感兴趣的微博内容成为了微博平台新的研究方向。目前的一些微博推荐系统大都针对用户进行推荐,而对于微博平台来说,由于微博文本长度较短,用户兴趣多样,因此针对用户的推荐效果并不理想。本文提出了针对于微博的推荐系统,用户在浏览微博时可以订阅感兴趣的微博,系统将针对用户订阅的微博,结合用户的兴趣,推荐相关的微博。这样的推荐一方面更有针对性,推荐效果更好；另一方面也通过对于微博的推荐将类似的微博聚集起来形成了用户所感兴趣的话题。本文的推荐系统基于用户聚类和短文本相似性算法实现。首先通过收集用户过往所发表的微博为用户建立兴趣模型,在此基础之上对用户进行聚类。然后收集与当前用户所在同一簇中的用户所发表的微博,与用户订阅的微博进行相似度计算,将相似度较高的微博推荐给用户。在聚类算法中,本文改进了K-Means算法,解决了K-Means算法对于初始中心选取的依赖性这一问题。在相似性计算中,本文在短文本语义相似性的基础上,加入了单词权重和词序的因素,提高了相似性计算的准确率。实验结果表明,本文改进的K-Means聚类算法,在正确率和运行时间上都优于传统的K-Means算法。改进的微博相似性算法相比于语义相似性算法具有更好的区分度和准确率。最后,本文搭建了一个微博系统,融合了改进的聚类算法和文本相似性算法,实现了对于微博的订阅推荐功能。