随着互联网技术的发展,人们越来越广泛地使用社交媒体来获取和分享信息。其中,作为国内三大社交媒体平台之一的微博吸引了大量用户,用户在使用微博的过程中产生了大量的数据,通过这些数据对微博用户的特征进行抽取对精准营销、个性化推荐、个性化广告等领域具有重要应用价值。微博用户的特征范围广泛,本文主要对微博用户的兴趣特征、情感特征进行抽取以及对其性别属性进行推断。其中,兴趣特征反映了微博用户在一段时间之内对什么领域感兴趣,情感特征反映了微博用户对于各种信息的态度和用户自身的心情,部分微博用户为了保护隐私安全,在注册微博时填写了虚假的性别信息或不填写性别信息,性别属性作为多个领域研究的基础,推断出微博用户真实的性别属性可以为个性化推荐、精准营销等研究铺下道路、打牢基础。具体的工作如下:（1）提出了基于改进BTM主题模型的微博用户兴趣特征抽取方法,针对BTM模型存在的词对之间缺乏语义相关性的问题,对其进行改进,利用Word2Vec词向量模型计算微博文本中词对之间的语义距离,根据语义距离对BTM模型进行双词语义扩展。最后,对微博用户数据集进行实验,结果证实了模型能够有效地抽取微博用户的兴趣特征。（2）提出了基于BERT-BiLSTM的微博用户情感特征抽取方法。为了提高情感特征抽取的效果,采用BERT模型获取词向量,然后采用BiLSTM提取出微博文本的上下文特征,最后用softmax分类器得到用户微博内容的情感特征。先在公测集上训练模型,然后迁移学习到微博用户数据集。实验结果表明该方法能较为准确地抽取微博用户的情感特征。（3）提出了基于LSTM-CNN的微博用户性别属性推断方法。针对微博用户的性别信息缺失以及填写了虚假信息的问题,将微博用户发布的文本内容先输入到长短期记忆网络中,抽取微博文本的长距离特征,然后将长短期记忆网络的输出作为卷积神经网络中的输入,抽取文本的局部特征,然后输入到全连接层和softmax分类器中,得到微博用户的性别分类结果。和其他方法的对比实验证明了模型的有效性。综上所述,本文抽取了微博用户的兴趣特征、情感特征,对性别属性进行了推断,并通过实验证明了本文提出的方法的有效性,对提高个性化推荐、精准营销、个性化搜索的效果和满意程度具有重要作用。