随着社交网络的飞速发展,人与人之间的关系逐渐网络化。社交网络已经影响到人们生活中的许多方面,但由于社交网络数据的指数爆炸增长的特性,使得人们在社交网络中拥有多样性、便利性的同时,也遇到了选择复杂、信息干扰的难题。因此,本文针对社交网络中的话题进行热点预测与推荐模型研究。网络热点话题不仅具有实时性、多样性的特点,同时与传统的媒体新闻相比,话题文本还包含维数高、数据稀疏、用语不规范等特点,从而导致热点话题的分类预测与推荐效果不稳定且准确度低的问题。本文针对热点话题的分类与推荐存在的问题进行了研究与分析,主要工作包含以下几个方面:(1)针对热点话题预测框架设计问题,本文基于文本挖掘过程设计了热点话题预测的结构框架,基于CRISP-DM标准过程设计了热点话题预测的流程框架。针对话题文本内部特征抽取问题,本文构建了一种混合特征向量。该混合特征向量空间在考虑热点话题的文本内容特征的同时,也考虑了热点话题的转发数、评论数等数值型特征。(2)针对热点话题分类模型设计问题,本文对比分析了逻辑回归、SVM和随机森林三种分类算法模型的性能,基于逻辑回归、SVM、随机森林三种分类算法,本文提出了一种基于加权投票的组合分类模型。实验结果表明,组合分类模型具有较高的准确性和稳定性,F1-Score达到了95%,高于单个分类算法。(3)针对话题推荐中的用户偏好变化问题,本文建立了动态混合推荐算法模型。该模型在基于内容与协同过滤的混合推荐模型基础上,引入时间因素,增加用户自身实时性变化的特征,解决目标用户偏好特征一成不变的问题。实验结果表明,动态混合推荐算法模型具有85%的命中率,准确的推荐效果。