随着社交网络的迅速扩张,旨在为社交网络用户提供信息推荐的社会化推荐系统逐渐得到研究和发展。在实际应用中,社交网络用户对信息的选择主要是根据其内容。但是目前社会化推荐技术大多使用协同过滤结合信任度传递的算法,并没有对信息的文本内容进行研究分析,不能满足实际应用的需求。因此本文将主题建模的技术引入社会化推荐系统,以物品主题作为评分因素之一,在一定程度上提高了社会化推荐的准确性。本文首先深入分析了主题建模和社会化推荐的相关技术与不足,在此基础上提出一种基于信任的监督学习主题模型TB-LDA (Trust-Based factorization model of Latent Dirichlet Allocation)。该模型在建模阶段对用户-物品评分矩阵进行因式分解以获得隐含的特征因子,并根据社会化推荐的特色引入用户关系网络对评分的影响。训练完成的模型可预测未知的物品评分,并据此向用户进行个性化推荐。为了在建模时获得更具有代表性的物品因子,我们采用LDA主题模型学习物品的主题分布。LDA训练过程以评分观测值作为后验概率计算的依据之一,用监督学习的方式达到更好的预测效果。本文对抓取到的新浪微博数据集进行实验分析,结果表明在评分数据较为稀疏的社交网络中,TB-LDA模型对用户关系和文本信息的挖掘算法体现出在推荐准确性上的优势。