随着网络的发展,社会媒体发展也越来越迅速,用户的数量也急剧增长。用户使用社会媒体的主要目的是结交好友和维护好友关系,不断地扩大自己的交际范围。然而因为用户规模的庞大和数据信息的海量化,对于社会媒体中的用户而言,要寻找到感兴趣的对象和信息十分困难,因此研究如何在社会媒体中进行用户推荐具有重要的意义。用户推荐方法的研究也成为社会媒体中的一个研究热点,但是目前的用户推荐方法还存在一些问题。首先,现有的方法中利用的用户信息比较少,大多使用的都是标签、用户资料等信息,这会导致对用户兴趣的判断不够准确;其次,现有的用户推荐方法是搜索了整个网络空间,时空开销将会很大,因为一般而言网络空间都很大,并且推荐的准确度也不高。针对上述存在的问题,本文主要研究一种面向社会媒体的用户推荐方法,本文主要的研究工作包括以下方面。首先,分析了当前的用户推荐方法存在的问题和研究现状,在此基础上给出相关概念的定义,给出面向社会媒体的用户推荐问题的定义和形式化描述。其次,提出一种面向社会媒体的用户推荐方法,给出算法的基本思想和形式化描述,进行算法复杂度分析和讨论,并且进一步阐述了该方法所涉及到的三个子算法的基本思想、形式化语言描述。面向社会媒体的用户推荐。方法包含三个关键步骤:基于Re-Posting Network(转发网络)的用户候选集合构建方法、用户主题兴趣抽取方法以及Top-k用户排序方法。针对Re-Posting Network提出了N层转发网络模型,用以发现具有潜在相同兴趣的用户集合;在N层转发网络的基础上,采用主题模型,结合转发网络模型提出了用户兴趣抽取算法,得到用户的主题兴趣分布;基于用户主题兴趣分布,以不同的权重区分用户的转发兴趣与发送兴趣,提出Top-k用户排序方法,用以寻找K个最佳的用户。并且阐述了以上三部分所涉及到的算法的基本思想、形式化语言描述、以及算法的各项评定指标。最后,设计和实现实验来验证上述所有算法的可行性和正确性。通过抽取Twitter数据集和DBLP数据集中的部分数据进行预处理,提取出实验数据,从主题个数、主题词质量、参数影响规律以及算法的可扩展性等方面去分析和比较上述算法,实验结果验证了算法的可行性和正确性。