随着互联网信息技术的快速发展,以网络为载体的多种形式的文本数据迅速增长。如何从海量的文本数据中快速且智能的挖掘出有价值的信息成为人们的迫切需求。主题模型技术自被研究学者提出起,就成为处理文本信息挖掘问题的重要手段和有效方法。然而,由于传统的主题模型在进行文本建模中,将文本作为“词袋”模型进行处理,其中每个文本中的单词被当作相互独立的个体。这种缺乏人类附加知识的无监督学习算法,往往取得令人困惑的结果,即学习到的主题有时使人难以理解,缺少语义上的一致性。为了解决这类问题,如何有效的将先验知识融入到主题模型中,以获得语义一致性更好的主题是主题模型研究的一个热点方向。同时,随着搜索引擎技术的迅猛发展和知识图谱相关研究的兴起,知识图谱技术也逐渐被应用于各种技术和服务产品中,同时各种类的知识库也先后建立并且规模正在飞速的增长。虽然知识图谱技术日益成为新的研究热点,各种知识库提供了丰富的资源和大量的知识信息,然而如何有效的将知识图谱的技术和知识库的资源应用到其他领域的研究中,发挥知识库的影响力,仍然是一个难点。本课题研究基于以上两方面考虑,创新性的提出将知识图谱技术引入到传统的主题模型中的研究方向,利用知识图谱的表示技术抽象出实体相关性的先验知识,以一种附加约束的形式融入到主题模型中,以提升主题模型的效果,在LDA主题模型的基础上改进并提出了引入知识图谱约束的主题模型EC-LDA模型。通过实验设计,证明了该模型的合理性和有效性,并通过对比实验,验证了该模型在建模效果和效率上的提升。