随着基于互联网技术的社交网络的快速发展，导致大量信息化数据的产生，在社交网络中出现信息过载问题，用户很难从海量信息中找到自己感兴趣的内容，所以社交网络中的个性化推荐显得尤为必要。目前关于社交网络的推荐研究，主要是利用社交网络中信息构建用户兴趣模型，再根据兴趣进行推荐。个性化推荐中一个主要的因素是用户兴趣，所以精确地构建用户兴趣对个性化推荐至关重要。本文在对现有的社会化推荐算法进行深入分析的基础上，提出一类基于兴趣相似度计算的微博内容推荐模型，该模型包括用户兴趣分类计算以及用户关系强度度量，综合利用用户自身兴趣以及社会化行为进行兴趣计算，从而达到提高推荐精确度的目的。文中根据用户兴趣动态改变特点，提出一种动态构建用户兴趣模型的分类计算模式，将用户兴趣分解成长期兴趣和短期兴趣两部分计算。用户关系强度是社交关系的一个重要特征，因而在进行微博推荐时可将用户关系强度作为影响因素。本文根据微博类社交网络用户之间通过共同兴趣建立关系的特点，将用户关系强度表示为兴趣相似度。结合微博应用场景，为了提高低活跃度用户推荐的精确度和稳定性，文中提出一类利用好友兴趣扩充用户兴趣的计算方法。在系统设计实现过程中，为提高系统资源利用率，本文根据用户的作息规律，用户较少在夜间使用系统，设计离线计算模式，开发离线计算模块通过夜间离线动态计算用户兴趣模型，实现离线增量更新优化模式，不仅充分利用系统资源，还提高系统响应速度。文中研发一种基于微博内容推荐算法的分布式推荐系统，并在线测试算法和系统的效果。本系统为了提高系统响应速度，采用缓存技术、离线计算等方案，并开发了相应功能模块。通过在线测试结果发现，本文提出的使用好友兴趣扩充用户兴趣，以及兴趣相似度代表用户关系强度的算法提高了推荐的精确度和稳定性。经过测试，本文的分布式系统在处理高并发请求时性能有明显地提升。