随着互联网技术和移动终端的发展普及,以微博为代表的社交工具产生了海量信息,从产生的信息中有效挖掘用户兴趣也愈加困难。论文从微博的内容属性出发,以主题提取为主要方式,建立基于内容的内容主题模型。同时,考虑到社交网络的信息传播规律特征,建立基于用户关注关系的关注主题模型,并将该模型与内容主题模型结合,从而使提取的用户兴趣的更加准确、有效。借助建立的用户兴趣分类模型解决用户兴趣分类问题,选取新浪微博作为研究对象。论文主要研究工作如下:(1)提出基于内容的CTM分类模型,用LDA模型对各类别训练数据集分别进行主题建模,通过Gibbs抽样法计算LDA模型中的相关参数,使用用户隐含主题集上的概率分布表示微博文本,得到文本集的隐含主题-文本矩阵,解决了微博文本数据量大的问题。该方法将文本数据进行简化,在文本降维方面取得了显著的效果,提高了效率。然后应用LibSVM分类算法,把具有语义信息提取优势的LDA算法和具有良好分类能力的LibSVM方法结合起来,提高分类准确率。(2)提出基于用户关注关系的FTM模型,计算用户关注者与每一类别关注者交集数的平均值,构造矩阵,通过LibSVM基于关注关系进行用户兴趣分类。(3)综合以用户微博内容为基础的CTM模型与以用户关注者关系为基础的FTM模型,建立一个综合模型对用户兴趣进行分类。同时,从整体数量和地理位置、性别、学历三个用户基本信息及关注方式三方面统计分析用户兴趣分类特征。最后,总结本文工作贡献,考虑存在的不足,并对未来研究方向进行设想。