随着网络在社交生活中的飞速发展,微博的注册用户也越来越多。微博已成为当今中国最受欢迎的社交媒体之一,其承载的信息量也越来越大。如何在庞大的信息量中获取有用信息、如何向用户做精准推荐,已成为电商的关注重点。本文基于新浪微博做了两方面研究。一是基于新浪微博的短文本分类,二是基于用户兴趣模型的个性化推荐。在短文本分类模型中,我们的贡献主要在于特征选择和参数的优化两方面。对于特征选择,首先,我们筛选与类别标签相关度高的词项得到初级特征集合。然后,将初级特征集合输入LDA主题模型进一步筛选特征。对于LDA和Kernel支持向量机(Support Vector Machine,SVM)的参数,我们通过k折交叉验证选取最优参数。实验证明我们的模型在短文本分类中具有显著的分类效果。在个性化推荐模型中,我们的贡献体现在用户兴趣模型构建和降低评分矩阵的稀疏性方面。在构建用户兴趣模型时,我们采用二次挖掘的方式获取用户关注人的个性标签。另外,对于用户兴趣的权重,我们采用加权的方式附权。由于用于推荐系统的评分矩阵的稀疏性直接影响推荐效果,因此,本文结合基于用户的协同过滤和基于物品的协同过滤来填充稀疏度高的评分矩阵。实验证明我们的个性化推荐模型的改进点均有益于提高推荐效果。