近些年来,互联网相关技术得到高速的发展,特别是微博、Twitter等社交媒体网络平台的出现,使得社交媒体成为媒体和大众分享新闻事件和生活情感的重要媒介。新浪微博得益于应用平台广泛、操作逻辑简单和信息传播速度极快等特点,迅速成为中国规模和影响力巨大的社交媒体网络新平台。新浪微博的日发文量高达数千万,其中包含的文本信息规模巨大。应对庞大的微博文本数据,如何进行合理高效的信息整合并从中提取出热点主题是文本主题挖掘的核心问题。本文在神经主题模型(Neural Topic Model,NTM)的基础上,针对传统的文本主题模型对微博短文本的主题特征表达不够充分、微博主题挖掘不够准确以及挖掘的微博主题缺乏语义信息等问题,充分考虑微博文本的特点,提出了基于神经主题语义强化的微博主题模型(Microblog topic model based on neural semantics enhancement,MNTS)。首先将提取出来的微博文本语料划分成微博概要和微博博文两个部分,利用两个部分各自的特点给予不同的处理,其中微博概要是由含有大量的微博主题信息的短文本构成,利用微博的语义词向量构造单通道的文本特征矩阵来弥补原始神经主题模型输入向量空间维度高、特征稀疏和忽略大量文本信息的缺点。微博博文是对微博概要的展开描述,其中包含着微博概要中词项的权重信息,因此通过微博博文中词项相似度确定微博概要中词项权重,将微博概要的语义词向量与微博博文的权重信息相融合作为最终输入微博主题模型的文本特征。其次该模型为输出添加了额外的词袋模型文本特征表示,实现了主题和语义的同步训练。在真实的微博语料上进行对比实验表明MNTS主题模型不仅在识别主题的准确率上有所提高,而且在挖掘主题的语义连贯性上最高提升了0.6。为了更好的利用微博信息更充分的挖掘微博主题,类比于条件变分自编码网络,为MNTS主题模型引入类别标签作为条件,为主题模型的识别添加更多的指导信息。由于词项维度大且稀疏,往往会导致主题-词项分布中的词项概率值差别不明显,尤其针对测试微博文本,虽然能够精确的找到测试微博文本的主题,但是主题下的词项并不能完全表达测试微博文本的主题,针对这种情况,引入了评论文本对主题下的词项进行核查。通过引入类别标签和评论文本进一步增强MNTS主题模型的主题挖掘能力。