作为一种通过关注机制分享简短实时信息的广播式社交网络平台,微博已经成为人们交流和获取信息的重要渠道。用户关注列表中好友发布的微博是用户获得的信息主要来源,但随着微博用户规模和活跃用户数量的不断增长,用户的关注列表变得越来越稠密,从而导致用户可能面临信息过载的问题。如何从繁多的信息流中挖掘出对用户有价值的微博是提高微博用户服务质量的关键问题。本文研究了现有的微博推荐方法,在充分利用现有的方法基础上,结合实际应用场景,将微博个性化推荐问题转化为对用户接受到的微博信息重排序的问题。首先本文通过会话划分,确定了推荐范围;接着基于用户偏好、微博内容、发布者权威三种维度构建了多个微博特征;然后提出了动态自适应(dynamic self-adaptive feature weighting,DAFW)的权重融合方法,在实验验证其推荐有效性的基础上,最后设计了实时个性化微博推荐系统。本文的工作成果主要有以下几个方面:(1)本文建立了一套较为完备的微博语料处理方案,基于处理过的微博语料训练通用主题模型,再采用吉布斯采样(Gibbs Sampling)从通用主题模型中抽取出目标文本的主题分布,从而解决了短文本主题建模难的问题。(2)本文抽取用户转发过的但非其关注的博主,将其发布的微博作为待推荐内容不足情况下的补充,使得用户不用通过关注机制也可以接收到感兴趣的微博。(3)本文基于用户偏好、微博内容、发布者权威三种维度构建了十个微博特征,其中包括了很多分析特征,如微博热度、交互TF-IDF等,这些特征的加入,能够明显的提高推荐质量。(4)为解决多指标融合问题,本文将信息熵引入到权重调整环节,主要根据每一个特征值变异性大小来确定客观权重,并结合均值及参数得到排序函数,实验证明了本文方法的有效性。(5)研究并设计了实时推荐系统,将本文的理论研究成果应用到实际生活中,从而创造价值。本文工作能够有效的处理社交网络时代普遍存在的信息过载问题。用户能够花更少的时间捕捉到朋友圈中比较有特色的信息,并能够实时的获得推荐结果,对于提高用户体验具有较好的理论和实际意义。