潜在狄利克雷分配(LDA)主题模型可用于识别大规模文档集中潜藏的主题信息，但是对于微博短文本的应用效果并不理想。为此，提出一种基于LDA的微博用户模型，将微博基于用户进行划分，合并每个用户发布的微博以代表用户，标准的文档-主题-词的三层LDA模型变为用户-主题-词的用户模型，利用该模型进行用户推荐。在真实微博数据集上的实验结果表明，与传统的向量空间模型方法相比，采用该方法进行用户推荐具有更好的效果，在选择合适的主题数情况下，其准确率提高近10%。

针对互联网微博业务的广泛应用及其对大数据挖掘和分析的影响，提出一种基于标签的微博人脉网络挖掘算法。分析该网络的结构特征，利用微博用户标签，在模糊匹配过程中计算词语之间的匹配度时，主要考虑词语语素、次序和词长3个因素。为弱化以不同用户为起点对算法准确率的影响，分别以普通用户和名人用户为起点用户，挖掘微博人脉网络数据。同时，研究微博人脉网络的结构特性，通过分析发现微博人脉网络同时具有小世界和无标度特性。实验结果表明，运用该算法对名人用户和普通用户朋友中对IT感兴趣的人进行挖掘的误差率是可接受的。其中，挖掘10个名人用户朋友时算法的平均误差率为14.08%，挖掘10个普通用户朋友时算法的平均误差率为10.63%。

目前常用的网络爬虫和基于微博API抓取数据的算法很难满足舆情系统对微博数据的需求。为此，提出一种模拟浏览器登录微博抓取网页数据的算法，以方便地获取任意微博用户网页上的所有数据。通过微博用户之间的关系构建用户网络，并通过该网络发现新用户。为获取微博上有质量的数据，建立一个完整的数学模型，根据用户的发帖数、发帖频率、粉丝数、转发数、评论数等因素来计算用户影响力，以影响力为主要因子构建优先队列，使得影响力越大的用户数据采集频率越高，同时计算时间间隔以兼顾非活跃用户的数据获取。实验结果表明，该算法具有通用性强、完全无需人工干预、获取信息的质量高、速度快等优点。

针对新浪、腾讯等微博平台出现大量广告的问题，提出一个微博广告过滤模型。通过对数据的预处理，将采集到的微博原始数据转换成干净且计算机易处理的数据。在预处理阶段，根据微博文本的特点，对停用词表进行改进，以提高查准率，然后基于支持向量机构建一个训练分类器对数据进行训练，经过不断的学习和反馈，取得较好的分类效果。实验结果表明，该模型进行广告过滤时准确率超过90%，效果优于基于关键字的方法。