随着社交网络的快速发展,大量用户花费越来越多的时间在社交应用上。与此同时在社交平台上存在海量的微博文本数据、用户之间相互评论转发等互动信息、与用户相关的注册信息等。对这部分数据进行研究发现用户会发表很多带有主观感情色彩的内容,例如对物品进行一个正负方面的评价,或者表示出对某些物品的需求。在新浪微博中数以亿级的用户每天活跃在微博上,会产生大量类似的微博文本数据。对文本数据进行处理从而对用户建模获取用户的兴趣偏好,再通过推荐引擎对用户进行个性化的物品推荐,这是本文的研究方向。传统的推荐系统无法解决复杂的社交网络推荐问题,主要难点包括,首先在社交平台上上下文信息对推荐系统的效果有很大的影响,其次用户在社交网络中的兴趣偏好会随时间发生改变,再次在搭建个性化的用户兴趣模型时需要对大量微博短文本进行内容提取,最后需要实现高效准确的推荐引擎算法。本文提出了一个基于矩阵分解的混合预测模型,将推荐问题转换为一个矩阵分解的问题,根据得到的评分预测矩阵实现物品的推荐过程。本文的创新点主要包括以下三部分。首先提出了一个基于微博的推荐系统框架,该框架分为两个模块用户建模模块和推荐引擎模块。其次在本文中对用户建模模块实现了微博爬虫系统、文本处理系统、基于Rocchio反馈算法的增量式用户兴趣模型系统,实现了获取数据、处理数据、内容提取、增量式更新能最大程度获取用户的动态兴趣偏好。最后在推荐引擎模块基于矩阵分解算法结合了微博的上下文信息对矩阵分解模型做了多个部分的扩展,上下文信息包括人口统计学信息、互相关注的好友集合、用户的消费记录等。在本文中通过不同方法对不同类型数据建模在同一混合预测模型中,充分的利用各类上下文信息优化了预测模型的性能。通过学习该模型的参数得到用户物品潜在特征的预测矩阵,实现高准确度物品推荐。通过实验发现在设定的几个评价指标上混合预测模型的结果要优于协同过滤算法和一般的SVD算法。增量式用户兴趣模型能动态获取用户的兴趣偏好,在矩阵分解模型引入正负反馈数据将评分矩阵分解成正负反馈评分矩阵,双向的提取潜在用户偏好特征。通过实验验证了基于正负反馈的矩阵模型能大幅度的提高推荐质量。本文的研究表明了在社交推荐系统研究中社交上下文数据和用户的正负反馈数据是提高推荐的最重要因素。