随着互联网的普及,Facebook,Twitter,微博等社交网络平台凭借其方便快捷的特点迅速普及,逐渐成为传统媒体以外的一个重要的信息来源。许多用户使用社交平台来表达自己的感受,与朋友分享感兴趣的内容与话题。同时社交网络上许多突发性话题,往往会在网络社交平台上发布,借助用户的好友转发机制迅速传播,引起广泛的社会共鸣,进而产生巨大的社会影响。人们面临的问题不仅是如何在海量的互联网信息跟踪突发事件和舆情走向,还需要从中找到自己真正感兴趣的实时话题信息,因此,一个能检测突发事件并推送给感兴趣用户的推荐算法能够带来更好的用户体验。鉴于以上需求,本文在前人研究的基础上,以新浪微博为研究平台,改进了传统话题检测技术并提出了一种基于主题模型的微博推荐方法。本文主要工作有以下三个部分:首先,根据新浪微博中突发事件发生的突发特征,使用突发词特征来检测微博中的突发话题,并使用LDA主题模型获得突发微博的主题概率分布。其中,使用相对词频,词频增长率,突发权重三个特征来筛选突发词,将存在突发词的微博标记为突发微博,同时对突发微博进行主题建模。实验证明实际采集的微博文本数据不仅提高了话题检测效率,还更好地降低了噪声微博的影响。其次,针对微博中不同的用户行为表征用户对微博主题的不同感兴趣程度,提出了一种融合用户行为的LDA扩展模型,该模型将同一用户的所有微博文本按照不同的用户操作行为聚集成不同的用户文档,并采用吉布斯采样方法估计参数,将用户文档中的特征词向量转换为该用户在不同行为上的主题概率分布,从而体现用户在不同主题上的兴趣偏好。最后,在协同过滤推荐算法中引入信息计量学中的信息老化理论,通过整合用户的兴趣度和信息时效性参数来调整推荐权重,与传统的推荐算法相比,改进后的推荐方法时效性更高,能够推荐具有突发性质的微博给感兴趣的用户。