社交网络的快速发展为分析用户行为规律提供了绝佳的机会和平台。其中基于用户生成内容(User-generated Content, UGC)的主题偏好挖掘吸引了来自各个领域和学科的研究学者。然而,当前的研究过多地关注于用户主题偏好的精确挖掘,忽视了从用户内在因子的角度研究用户主题偏好的形成原理,即用户为什么会具有这样的主题兴趣偏好?人格特质作为一种典型的用户内在因素,已经被广泛应用于解释人类社会的真实行为。因此,如何从人格特质的角度理解社交网络用户的主题偏好将具有重要的理论意义和实际价值。本文研究社交网络用户人格特质挖掘及其在个性化推荐领域的应用。具体地来说,通过将人格特质界定为用户的大五人格特质(也称五因子模型),本文研究三个相互递进的科学问题:基于非参数层次贝叶斯主题模型的用户人格特质与主题偏好关系分析;基于二者之间的关系,构建社交网络用户大五人格特质的识别模型;在社交网络用户人格特质可以合理识别出来的基础上,研究用户人格特质在具体场景下的应用,即是否有助于提高个性化推荐的精度。具体的研究内容和创新点主要包括:(1)社交网络用户人格特质与主题偏好关系分析。考虑到用户的主题偏好是用户多种内在人格特质导致的输出结果,本文提出了一种新颖的非参数层次贝叶斯主题模型NHBT,构建三层的生成框架研究用户内在人格特质与主题偏好之间的关联关系。具体地来说,NHBT模型能够实现数据驱动的主题挖掘任务,将主题挖掘与关系发现融入一个统一模型中,同时考虑了人格特质“生成”主题偏好的假设以及人格特质与主题偏好之间的多对多关系假设。该模型摒弃了传统的LIWC词典以及两阶段挖掘任务。本文首先基于三层中餐馆过程求解NHBT模型,此外基于最短路径假设提出一种直接抽样方法。在Facebook数据集上的实验结果表明NHBT模型能够从开放的社交媒体环境中挖掘出有趣的潜在主题,例如乐队、化学生物学、动漫真人秀等,并且能够解释用户主题选择行为的内在混合机制,例如低尽责性以及高开放性的用户偏好于发表与校园生活类相关的主题。(2)基于主题偏好的社交网络用户人格特质识别。基于社交网络用户人格特质与主题偏好之间的关联关系,提出一种新颖的PT-LDA主题模型解决未知用户的人格特质识别问题。PT-LDA扩展了潜在狄利克雷分布,再将N-grams特征降维成若干潜在主题的同时假设每个主题不仅对应一个在词汇表上的多项式分布,而且还对应五个在人格特质值上的高斯分布。因为模型较为复杂,难以实现精确推理和参数估计,所以本文提出了一种Gibbs-EM算法迭代求解PT-LDA模型,即交替执行吉布斯抽样和期望最大化算法。定量评价结果表明,所提的PT-LDA模型要比若干基准算法更加精确、高效和健壮。此外,即使不使用人格特质“指导”主题挖掘过程,只使用标准LDA模型挖掘得到的主题特征集给出的识别结果也要明显优于LIWC特征集,从而进一步验证了数据驱动的主题挖掘方式的有效性。(3)集成人格特质的个性化推荐方法。鉴于人格特质与用户主题偏好具有紧密关系的坚实理论基础,以及拥有基于二者关系识别出用户人格特质的现实条件,本文从人格特质的角度研究其是否有助于提高个性化推荐的精度,进而提出融合用户人格特质的矩阵分解模型。具体地来说,本文构建用户-物品和人格特质组合-物品两个关系矩阵,并通过联合分解的方式使得人格特质可以协助获得更加精确的用户和物品隐因子矩阵,从而解决用户-物品矩阵的数据稀疏性问题。在音乐数据集上的实验结果表明,人格特质信息能够有效地解决数据稀疏性的问题。本文扩展了社交网络用户人格特质与主题偏好之间关系分析的研究思路,丰富了人格特质识别的方法体系,为人格特质信息应用于各种实际场景中提供了坚实的理论基础。