近年来,我们已经见证了社交媒体的快速发展,越来越多的用户参与其中。随着用户参与话题的火热,找出用户感兴趣的话题成为了一个急需解决的问题。通过为用户推荐话题可以为很多下游应用带来好处,比如商品推荐,在线精准营销,增加客户黏性,甚至是疾病传播预测和公共卫生监测。但是,目前话题的推荐方法,主要是分析用户的文本内容来推断他们感兴趣的话题,或者是简单地给用户推荐好友喜欢的话题,这些方法通常不能全面地考虑用户特征,从而导致推荐效果欠佳。在本文中,我们首先从主流的社交平台收集数据,包括微博,知乎,豆瓣和推特。采用经典的主题模型LDA来量化内外因素对用户话题分布的影响。结果显示,大部分用户的兴趣,与其过去的偏好以及好友的偏好是相似的。基于这个发现,我们融合了用户的历史文本内容和用户好友的社交关系来建立模型,给用户推荐未来可能会参加的话题。我们形式化引入多标签分类来建立模型,其中用户的文本内容和网络结构被联合用于提取用户的话题偏好。我们提出的方法主要由两个组件构成:(1)用户文本嵌入(2)网络嵌入。它们被结合起来学习用户的内在和外在偏好。为了更加有效地学习,我们通过局部敏感哈希把连续的特征嵌入转为二进制化表示,并且同时保留了反映原始数据内外在话题偏好的相似性。这种结合局部敏感哈希的转换可以提高卷积操作的效率,更重要的是能在低维空间上保留数据的相似性,从而可以增强推荐的效果。本文也对模型的行为进行了解释,我们引入影响函数,通过研究每个训练样本对测试样本的推荐效果变化来解释模型的表现。我们在收集的数据集上进行了大量的实验,结果显示,和已有的方法比起来,我们的模型在多个指标上都取得了很好的推荐效果,同时模型效率也有所提高,充分说明了我们模型的有效性。