随着社交网络的流行,微博客已成为人们日常生活中分享信息的重要方式,用户以140左右的文字更新信息。2012年12月底,新浪微博的注册用户已超过5亿,每天活跃用户数达4600多万,因此每天产生的数据是巨大的,如何从这些海量的数据中挖掘出有价值的信息是很有必要性和挑战性的任务。本文从两个方面研究了从微博中挖掘有用的信息。首先,本文研究了基于新浪微博的需求检测。文中通过定义一个四元组来表示用户的需求信息,然后将原问题看作是一个二元分类问题,即能识别出或不能识别出四元组。文中以特定话题形式的微博为模板,抽取了基于词的、基于距离和基于话题的特征,分类算法通过支持向量机来实现。实验结果表明,基于词的和基于距离的特征组合,对于自动识别需求信息有较好的结果。其次,本文研究了微博上的用户性格分析。传统的性格分析都是以常规文本为研究对象,微博与常规文本有很大不同,用户的随意性更强,真实性也会更高。性格分析以“五大性格”模型为研究基础,将预测未知用户的性格看作一个多元分类问题。分类算法采用决策树,特征选择主要包括基于词的特征、LIWC特征和MRC特征。实验结果表明,相比于直接基于词的特征,LIWC的MRC特征要好很多。本文中的研究主要都是为了方便企业给用户做更个性化的推荐。在检测到用户的需求信息后,公司就可以推送相关的产品或服务等,在推送的时候还可以考虑客户的性格因素。因此,本文的研究工作具有很好的实际应用意义。