随着互联网的普及与大数据时代的高速发展,微博由于其完善的社交功能与便捷的参与方式,极大程度地丰富了人类的日常社交活动,受到了大多数人的青睐。人们在微博中通过发帖可以表达日常分享,参与时事讨论,以及评论产品优劣等。自动化文本生成技术作为人机交互的重要方式之一,已经广泛应用于机器自动翻译、线上聊天机器人、电子商务系统及推荐创意广告等场景中,有效地提高了用户的写作效率与改善了写作质量。但是由于使用人群的多样性,即兴趣爱好、职业年纪、地域风俗等差异,对于同一主题,不同用户的博文都大不相同,这些差异正是用户个性的写照,能够折射出用户的风格品味层次。因此,如何高效、精确地生成个性化微博文本已经成为了国内外研究的难点、热点问题。在此背景下,针对微博文本的开放性以及自由度较高的特性,采用中间微调的训练方法,使用大规模高质量的微博语料训练域适应语言模型,保证模型对微博域特征的学习能力。然后在此基础上,针对如何生成具有用户个性化特征的微博文本,提出了一种用户粒度级的控制生成模型,以GPT2模型为基础构建Encoder-Decoder结构作为整体框架,在Encoder端编码建模用户的静态个性化信息;然后在Decoder端添加双向独立的注意力模块,用于接收已编码的静态个性化特征向量,原始结构中的注意力模块则负责从用户的历史博文中捕获动态个性化特征;接着采取动态加权的方式对静态、动态个性化特征进行融合后馈送到后续的解码层,实现了多源（多条件）指导信息对博文生成的先验指导,另外,由于用户静态个性化特征的语义稀疏性,可能会导致生成文本与事实不符,因此,基于BERT模型设计了一致性理解生成模块,通过微调其生成目标与损失函数,将一致性理解任务与生成任务相独立,对Decoder端输出文本与用户静态个性化特征进行一致性理解的二次增强生成,实现了博文生成的后验指导,最终生成与用户个性化特征一致且符合用户兴趣爱好与行文风格的个性化微博文本。实验表明,对比GPT2基线模型,该模型流畅度提高了0.3%-0.6%,且在不损失语言流畅度的基础上,模型生成的微博文本能够具有显著的用户个性化特征,其中个性化和一致性两个评价指标都有8.4%、9%的明显提高;就平均融合与本文动态加权的方式,以不同体量的数据集进行实验对比,验证了动态加权融合策略的有效性;同时与个性化文本生成领域已有的模型算法进行充分对比,验证了模型整体的生成性能。