随着在线社交网络的高速发展,社交网络平台(如Twitter,Facebook.人人网,微博等)近几年迎来了爆炸式增长,社交网络已经深入到人们日常生活中的方方面面。人们在社交网络上与人交流,记录生活的点点滴滴,发表博文,分享照片视频等,可以说,社交网络已经成为人们现实生活的一个映射。然而,随着微博平台的发展,信息量以爆炸式速度进行增长。从而造成了一种现象,称作信息爆炸,周围的信息太多,用户并不是对所有的信息都感兴趣,用户不得不从大量的信息中找出自己感兴趣的进行阅读。因此,本文着手于如何找出用户感兴趣的博文呈现在用户面前,将用户更感兴趣的博文放在前面,给用户推荐他所感兴趣的博文。本文主要完成了以下工作:首先,本文针对微博平台中噪声多的特性,提出了话题性博文的概念,利用Twitter博文数据训练LDA模型作为博文词汇话题特征,并结合微博博文词汇话题特征、博文社交特征和博文文法特征构建支持向量机模型,用以过滤非话题性博文。实验表明,该分类器具有较高的准确率及召回率,能够满足系统要求。接着,在上述方法的基础上,提取用户博文关键字,并分别利用搜索引擎以及外部知识库对博文关键字进行扩展。接着利用离线维基百科语料库训练Word2Vec模型,将用户博文关键字映射到高维向量空间上。然后利用层次聚类方法,对用户博文关键字集合进行聚类,综合聚类纯度以及类簇权重,选出top-3用户话题用以表征用户兴趣。并通过实验验证了算法的有效性。最后,综合非话题性博文过滤技术、博文关键字扩展技术、博文词汇向量化技术、用户兴趣发现技术,设计实现了一种在线的用户兴趣发现及个性化博文推荐系统。并分析了系统各个模块的设计与实现,包括博文采集模块、数据预处理模块、用户兴趣发现模块等。