随着互联网的迅速普及发展,网络在我们日常生活中扮演着越来越重要的角色。然而随着时间的推移,互联网的信息规模及其用户群体规模也在快速增长,互联网用户的需求变得越发多样化,因此个性化推荐系统受到越来越多的关注。为了快速有效地向用户推荐其感兴趣的信息,最重要的一个环节就是准确地获取用户兴趣。Web2.0时代的到来使得微博等具有强交互性的社交新媒体也随之流行起来。微博是一种微型博客,门槛低、使用便捷等特点使其在短时间内聚集起大量的用户,微博中所蕴含的海量信息为个性化推荐提供了一个分析用户兴趣的新型数据源。本文正是以微博为研究对象,进行用户兴趣挖掘及个性化推荐技术研究。本文首先对微博中的信息和用户兴趣模型展开研究。以微博信息的特性为基础,从用户兴趣的提取方式、兴趣模型的表示方法和更新方法三方面进行了技术研究,给出了基于LDA主题模型的微博用户兴趣模型,并通过实验证明了该模型与人工标注的结果相吻合且具有良好的准确性。其次,在微博用户兴趣模型的基础上,本文对个性化推荐技术进行研究。对目前主流的几种推荐技术进行了概述,分析了各自的优缺点以及适用范围,然后针对网络商品信息推荐提出了一种基于协同过滤和LDA主题模型的个性化推荐算法,并设计实验验证了本文推荐算法的可行性。最后,本文将理论研究成果应用到一个具体的个性化推荐系统中,给出了系统的整体框架设计,并详细叙述了系统核心功能模块的实现细节。