随着互联网的持续发展,在社交平台上进行交友聊天逐渐成为人们日常生活的一部分。用户每天都会产生海量数据,对这些数据信息进行爬取、分析,也是各社交平台中常见的商业行为。在社交应用平台中,由于用户产生的数据信息量大、复杂多变,导致商户无法有效、合理利用。因此,如何利用用户信息进行分析处理,优化平台的好友推荐策略是课题研究的主要内容。论文通过对微博用户群研究发现:对用户而言,考虑的推荐因素往往在发表的微博中,而图片能传达出的信息不亚于文字,并且兴趣爱好会随着时间而消逝。结合以上特点,通过使用目标检测技术提取图中信息,结合时序模型对提取结果做进一步时间处理,设计并实现了一个基于用户个人信息和图片信息的微博好友推荐系统。论文的主要工作如下:(1)微博用户数据集的获取:针对新浪微博这一社交平台,本文完成了基于Scrapy框架爬虫系统的实现。该系统采取了模拟登录手段解决微博用户身份认证的问题,使用代理池、Cookies池解决反爬虫的困扰,通过对微博中各页面的Ajax链接进行剖析,组建待爬URL,基于Scrapy框架设计爬虫代码以进行递归爬取,实现对用户个人资料、好友信息、微博数据的收集。(2)提出基于SSD和时序模型的好友推荐算法:对采集到的用户性别、年龄等身份信息构建基于人口统计学的好友推荐模块,得出用户间相似度;对于采集到的微博信息,提取其中的图片,通过多目标检测算法SSD(Single Shot MultiBox Detector)进行处理得出兴趣分类结果,提取用户发表时间,设置时间间隔,结合时序模型,对兴趣分类结果进一步处理,从而得出各兴趣的评分数值,再根据协同过滤思想计算相似度得到最近邻居集合,最后将上述两个模块线性融合,得出最终的相似度值,利用TOP-K的思想进行好友推荐。通过采集的新浪微博真实数据集进行实验验证,对比了准确率、召回率、F值这三项数值,验证了论文提出的好友推荐算法的有效性以及准确性。(3)微博的好友推荐系统的设计与实现:前端使用Vue.js进行系统页面的可视化开发,后端使用微博爬虫、MySQL数据库等实现对数据的处理,并将基于SSD和时序模型的好友推荐算法应用于系统之中,使得推荐结果得以更好的展示,便于用户查看。