随着在线社交媒体的发展,对用户兴趣的研究以及在此基础上进行相关的应用开发,具有重要意义。由于微博中用户一般具有个性化的信息,同时在用户发布的微博短文本中往往含有情绪或情感信息,因此,对用户微博文本进行分析挖掘,完成用户的情绪认知、个性人格分析、兴趣抽取,并在此基础上完善个性化推荐,是有意义的。本文构建了用户能量模型,改进了基于LDA的兴趣抽取模型,完善了个性化推荐。主要工作如下:1)根据用户情感语义分析,结合Big-Five心理个性方法,构建用户能量模型。通过算法对比,构建用户正负能量的模型,将用户的文字转换成向量输入到SVM进行训练,分析新的语料库,预测新用户能量极性。2)构建基于改进LDA的个性化兴趣抽取算法,探究用户兴趣标签抽取的有效方法。通过LTP句法分析工具处理词对,经由LDA算法进行兴趣标签抽取。通过与BTM算法对比,使用多个基准进行校验,实验结果表明使用改进算法抽取的兴趣标签更准确。3)提出了一个基于用户能量模型和兴趣标签的推荐方法,该方法可以推荐群体中能量相似的用户。其中协同过滤算法用来扩展兴趣标签,Doc2vec用来将文本向量化,以此实现用户之间的相似推荐。实验结果表明,所提出的模型对用户能量预测具有一定的价值;改进的LDA算法能够降低困惑度和时间复杂度,提升准确率;所提出的推荐算法能推荐出相似的用户。