随着微博平台的普及，微博已成为信息发布的巨大载体。在微博中的研究也应从分析单一客户关系转变为挖掘微博用户的内容。本文提出了一种新的挖掘微博用户评论和转发文本信息的方法，通过挖掘用户的关注程度，为用户推荐有价值的信息。
关键词用户内容（users content）、微博转发（microblogging forwarded）、微博（microblogging）、为用户推荐（recommended for user）揭示了文章研究的核心内容。用户内容可能指微博用户的个性化信息，包括用户的评论、转发、点赞等互动行为。这些信息能够反映出用户对特定话题或事件的关注程度。微博转发则是一种信息传播行为，它能够使信息快速扩散，形成话题热度。微博作为平台，是研究和分析用户内容的重要载体。
文章中提到的K-MEAN是一种数据挖掘的算法，它被用于发现大规模数据中的隐藏模式。在本文中，K-MEAN被用于处理用户评论和转发的数据，通过聚类分析找出用户兴趣的相似性和差异性，从而推测出用户的关注程度。这个过程中提到的wm和wn可能是指文本挖掘中的向量模型，用于将文本信息转化为数学模型进行处理。而v(wm)和v(wn)可能代表了某种评价函数，用于计算文本向量的评价值。值得注意的是，在文本中出现了“c(wm, wn1), c(wm, wn2)”这样的表达式，这可能是指计算wm与wn1、wn2之间的相关性。
聚类算法中的“相关性（correlation）”是衡量不同用户或用户行为之间相似度的一个重要指标。它能够帮助研究者发现哪些用户对相似的内容感兴趣，或者一个话题是如何被多个用户群体所关注的。K-means是一种典型的基于划分的聚类算法，其目标是使所划分的子集内部数据点的相似性最大化，而子集之间的差异性也最大化。
另外，文章中提到的ISSN（国际标准期刊号）和DOI（数字对象唯一标识符）是学术论文中常见的信息，它们用于标识每篇论文，便于检索和引用。
文中还提及了Sina，即新浪微博，这是中国最流行的微博平台之一。微博平台上的数据挖掘不仅限于文本分析，它还包括网络关系分析，比如通过分析用户间互动，了解用户的社会网络结构和影响力。
此外，参考文献中提到了Nardi Ba等人的研究，他们的论文“Why Weblogs？”在2004年发表于ACM（美国计算机协会），这项研究可能关注了博客兴起的原因及其在社交网络中的作用。其他提到的参考文献，虽然具体信息不全，但可能是关于社交网络分析、数据挖掘技术或相关研究的文献。
这篇文章的知识点涵盖了微博数据分析、文本挖掘、用户关注程度的量化、K-MEAN聚类算法、用户行为分析、社交网络分析等方面。这些内容对于IT行业专业人士，特别是数据分析师、数据挖掘工程师和研究人员来说，是具有专业指导意义的参考资料。通过这篇文章，读者可以了解到如何利用先进的数据挖掘技术分析微博平台上的用户行为数据，从而为用户推荐有价值的信息，同时也能够学习到处理大规模数据集的有效方法。
