随着互联网及社交网络的快速发展,微博信息更新速度爆炸增长,用户需要通过平台获取自己感兴趣的内容,然而庞大的信息流使用户面临“信息过载”的问题。基于这样的场景,分析挖掘用户的兴趣倾向,从而实现精准提供高质量、用户感兴趣的个性化信息及商业广告推送服务,对平台及用户都是行之有效的方法。在微博平台中,用户既存在长期的兴趣点,也会根据时间和当下流行事物的变化,产生短期的新生兴趣,而且随着互联网的发展,博文数据中呈现出文本短、条数多、图片占比大等现状。在以上所述环境下,充分利用数据特征,分析挖掘出用户当前兴趣倾向,具有很好的理论研究意义。首先对图文数据进行特征提取,然后提出一种基于Single-Pass的多阶段不完全聚类算法(multi-stage incomplete clustering based on Single-Pass,MIC-SP),解决了传统Single-Pass算法的时间代价高和次序依赖问题。之后对用户兴趣随时间变化的规律进行函数拟合,基于LDA主题建模方法的思想,对用户主题概率分布矩阵使用时间函数进行降维,最终提出一种基于图文数据与时间效应的微博用户兴趣挖掘算法(image-text co-occurrence data and time effect for microblog user interest mining,ICDTEMUIM),充分利用用户产生的图文数据,并根据兴趣变化的时间效应,计算出用户兴趣倾向概率。实验首先通过设计微博数据获取框架,获取真实数据作为实验数据集。然后对MIC-SP聚类算法与传统Single-Pass算法进行系统开销、聚簇结果进行对比;之后设置了预测准确率、漏测率、概率准确率、主题差异性四个评价指标,选择了已有相关研究的四种算法作为对照组,对ICDTE-MUIM算法挖掘效果和性能进行验证。经过多组实验对比分析,证明提出的挖掘方法对微博用户兴趣挖掘具有更精确的定位和更全面的覆盖,同时展现出较好的性能和效率。