近年来,微博由于其开放性,实时性,丰富性吸引了大量的用户参与其中,这必然使得微博数据量呈现爆炸式增长,为用户快速获取所需要的信息造成了严重的负担。因此,如何快速有效地为用户推荐有用的信息存在一定的必要性,其中最关键的问题是如何挖掘用户的个性化兴趣,为一个良好的个性化推荐系统提供坚实的基础。本文分析和研究了微博用户兴趣建模问题,主要研究成果如下:(1)针对微博中噪音数据多和短文本的的问题,提出了一种基于联合分类器的噪音微博过滤方法,和利用用户基本信息、评论转发信息等扩展语义信息的微博内容扩充方法。(2)提出了一种基于词对共现的改进LDA模型用于微博短文本的主题分析,以克服传统LDA对短文本进行主题建模时,因文本向量稀疏性造成的同一主题下词条间关联度不高的问题。(3)分析用户兴趣时,一方面基于用户的历史微博数据进行分析,另一方面基于用户关注者或粉丝的微博内容进行分析。并利用时间将分析获得的主题特征划分为用户长期、短期和过去三种兴趣,保留长期和近期兴趣用于兴趣建模。(4)设计对比实验以验证方法的有效性,实验结果表明,基于词对的改进LDA模型在分析微博短文本时有很好的效果,且结合的兴趣特征能够扩展用户的兴趣,为用户推荐更丰富的信息。