随着新兴社交媒体的流行,微博已经成为人们分享、传播、获取信息的重要平台。用户的爆炸式增长导致微博平台产生的数据呈指数级增长,信息过载问题日益加剧。因此,针对用户的潜在需求,准确挖掘其兴趣从而实现微博推荐变得尤为重要。首先,为解决微博用户兴趣提取不准确的问题,根据微博系统中不同文本信息的特点,挖掘用户个体静态、动态兴趣;其次,针对用户冷启动问题,考虑关注用户对用户兴趣的影响,计算用户扩展兴趣;最后,使用改进的K-means算法对微博用户分组聚类,在一定程度上解决了微博推荐算法效率低的问题。论文的主要工作包括三个方面:(1)挖掘用户个体静态、动态兴趣。针对用户文本信息的不同特性,从用户标签中提取个体静态兴趣;从用户的微博中挖掘个体动态兴趣,并描述了兴趣随时间的变化过程。(2)获取用户扩展兴趣。首先,将用户个体静态、动态兴趣分别与关联静态、动态兴趣线性调和得到扩展静态、动态兴趣。其中,关联静态兴趣通过关注用户的个体静态兴趣和用户与其关注用户的关系强度计算得到,关联动态兴趣的计算方法与之相同。然后,赋予用户扩展静态、动态兴趣不同的权重计算得到用户扩展兴趣。(3)利用改进的K-means算法对用户分组,实现微博推荐。将微博用户影响力融入K-means算法,以用户扩展兴趣为依据,使用改进的K-means算法对用户进行分组聚类。计算用户在其所属组的粘合度以及每组的聚类中心与待推荐微博的相似度,将两者结合得到用户对待推荐微博的兴趣度。对兴趣度降序排列,产生推荐列表。实验采用抓取的新浪微博真实数据集进行准确性和有效性验证。设置五组对比试验进行微博推荐:(1)用户个体静态兴趣、关联静态兴趣和扩展静态兴趣。(2)不考虑时间因素从微博中挖掘用户个体兴趣和个体动态兴趣。(3)用户个体动态兴趣、关联动态兴趣和扩展动态兴趣。(4)用户扩展静态兴趣、扩展动态兴趣和扩展兴趣。(5)用户扩展兴趣和融入用户分组的方法。实验结果表明,本文提出的方法在性能上均优于对比的其他方法。