社会化标签作为Web2.0时代由互联网用户产生的重要数据,用户在自由开放的网络平台中以自身理解为出发点对互联网Web资源进行评论与标注,产生大量资源、用户和标签（tags）的社会化标签信息。但社会化标签具有较强的独立性、自发性和公开性特点,导致其存在语义模糊、词语冗余和资源独立等问题。因此构建主题识别方法可以揭示社会化标签蕴含的潜在知识,本文针对社会化标签的主题识别问题进行以下研究工作:（1）针对社会化标签中资源的主题识别问题,提出基于线性回归的主题识别方法。由于社会化标签中的资源蕴含大量潜在语义,为获取资源之间潜在联系,从线性回归模型拟合资源的角度研究资源之间潜在联系,通过线性回归模型构建资源之间的拟合曲线,从而获得每个资源的离差距离。在此基础上通过加权方法形成每个特征词的权重值,将特征词加权向量作用于LDA模型形成特征词加权-LDA（Feature word Weighting-Latent Dirichlet Allocation,FW-LDA）主题模型。通过实验表明,基于线性回归的FW-LDA与其他相关主题模型相比具有较好的主题识别效果。（2）针对社会化标签中资源和标签的主题识别问题,提出基于信息熵相似度的主题识别方法。由于标签具有特殊的组成结构和语义信息,并且资源和标签两种文本资源均存在资源之间具有独立同分布特点。首先提出一种基于信息熵相似度的消除资源和标签独立性方法,该方法分别构建资源和标签的潜在关系无向图,并采用随机游走方法分别获得每个资源和标签的权重值。其次,在此基础上通过加权方法获得资源和标签的特征词权重向量,并联合作用于LDA形成联合特征词加权-LDA（Joint Feature Word Weighting-Latent Dirichlet Allocation,JFWW-LDA）主题模型。通过实验表明,JFWW-LDA主题模型与其他相关主题模型相比具有较好的主题识别效果。（3）针对传统主题模型无法有效利用资源标记（label）进行主题识别,从而无法达到更细粒度的主题识别效果问题,提出基于深度学习的细粒度主题识别方法。首先将不同类别的文本语料库进行标记,提出一种基于注意力的文本卷积神经网络（Attention-Text CNN,ATT-TCNN）文本分类模型,将带有混合标记的语料库经过ATT-TCNN后形成带有标记分类的语料库。其次,在此基础上提出一种基于ATT-TCNN的LDA主题模型（ATT-TCNN-LDA）,将每个分类语料库经过LDA形成主题簇,从而达到更细粒度的主题识别。通过实验表明,ATT-TCNN与其他相关分类模型相比具有较好的分类效果,ATT-TCNN-LDA与其他相关主题模型相比具有较好的主题识别效果。图[33]表[11]参[93]