在互联网高速发展的今天,网络上数据的增长已经非常迅速。如何从海量的数据中找出用户所需要的信息已经变得越来越重要。社交网络在web2.0时代也迅速流行开来,社交网络中文本的与传统的文本有着很大的区别,如何对这些文本信息建模,并向用户做出推荐也成为一个比较热门的研究领域。主题模型能够挖掘文本的潜在语义信息,从主题的层次建立文本的模型,这是主题模型与传统文本模型最大的不同点。主题模型在社交网络中的主题信息发掘能够克服社交网络中的文本字数少、噪音大的问题。本文在原始LDA模型的基础上实现了ATM-LDA模型以及MB-LDA模型。ATM-LDA将文档-主题建模方式转化为作者-主题的建模方式,实现了对作者的主题挖掘。MB-LDA模型在建模过程中引入了作者之间的关联以及文本之间的关联,将联系人之间的主题分布区别开来。本文在分析了现有推荐技术和主题模型的特点后,提出了基于用户兴趣特征和关键词序列的用户兴趣模型。该模型通过主题模型和用户关键词的提取,对用户进行特征表示。主题模型中引入了潜在主题这一隐含变量,通过吉布斯抽样计算用户的主题分布,对用户的潜在兴趣进行特征化表示。将用户兴趣特征与关键词结合,可以建立基于潜在语义和内容两个维度的兴趣模型。在用户兴趣模型的基础上,本文提出了基于主题模型和空间向量模型相结合的混合推荐算法,通过用户视角主题模型建立用户的兴趣特征向量,然后建立用户关键词序列的空间向量模型。最后对两种模型的相似度线性加权,产生推荐结果。实验采用了新浪微博的数据,实验结果表明,本文的混合推荐模型在准确度和多样性上都有不错的效果。