近年来,互联网飞速发展,随之而来的是信息量的激增,每天都会产生大量数据,而我们不可能一一浏览所有的信息,因此,如何才能充分利用这些数据,从中挖掘出用户可能比较关注的信息,生成一个有针对性的推荐,提供越来越多的高质量服务,开始引起许多学者的关注。对于个性化的推荐系统来说,其前提条件就是要对用户兴趣的有一个较为正确的把握。只有对用户画像精准,用户模型建立准确,才有可能提供好的推荐。但是,用户兴趣并不是始终不变的,有可能因为时间因素或者外部环境的变化,导致用户的兴趣也随之改变。如何建立用户兴趣模型以及如何充分利用历史信息对用户兴趣的变化趋势进行预测,这对于推荐系统来说是两个重要的研究方向。本文围绕以上两个方面展开研究。首先研究用户兴趣模型的建立。基于新浪微博的特征进行分类,使用python语言编写爬虫算法,爬取类别特征明显的微博数据集作为分类训练语料集,构建更贴近微博特征的分类体系。对各类别训练语料集进行主题分析。同时将新浪微博用户的微博内容数据、用户标签数据、个人介绍等这些能体现用户兴趣的信息进行合并,构建用户兴趣文档。使用User LDA模型从兴趣文档中提取兴趣主题,计算用户兴趣文档和各个类别的语料集的相似度,将其相似度作为用户对各个兴趣大类的兴趣度,建立用户兴趣模型。在确定了用户兴趣模型后,本文考虑到了用户兴趣可能会存在漂移这一现象,进一步展开了对用户兴趣预测的相关研究。时间信息在对用户兴趣预测中发挥至关重要的作用,本文通过将新浪微博2012-2014年内的用户数据按月进行划分,针对每月建立用户兴趣模型,构建用户兴趣的时间序列,在此基础上引入一种时间序列预测模型——ARIMA-LSTM模型对用户兴趣进行预测。通过ARIMA提取时间序列中的线性信息,LSTM神经网络进一步拟合ARIMA预测残差项中的的非线性信息。可以实现对兴趣的更精准的预测。实验结果表明,本文的方法能够深入挖掘用户兴趣序列中的线性特征和非线性特征,探究用户兴趣的动态演化趋势,对用户兴趣做出精准预测。本文基于预测结果进一步研究,将其应用到推荐上,对比未经改进的ARIMA预测推荐和指数平滑预测推荐也体现了一定的优势。