随着互联网的高速发展和数据的爆炸性增长，用户面临着日益严重的信息过载问题，社会化媒体的兴盛使用户更加容易淹没在信息的海洋中。推荐系统作为一种比搜索引擎更加高效的信息过滤技术，逐渐地成为各个社会化媒体的主要功能之一。　　传统的推荐技术大多基于用户关系，难以有效地挖掘用户兴趣。本文在结合一元混合模型和LDA模型的基础上，引入了BTM用户兴趣建模技术，较好地解决了传统的向量空间模型维度高、矩阵稀疏和一词多义等问题，同时针对社会化媒体中的用户特征和数据特点进行了改进，并基于此设计和实现了一个包含数据收集模块、预处理模块、兴趣分析模块和个性化推荐模块的个性化推荐系统。论文的主要工作如下:　　首先，研究和探讨了用户建模和推荐算法等推荐系统相关技术，其中重点研究了基于内容的推荐以及协同过滤推荐，并结合具体的应用场景分析了各自的优点和缺点。　　其次，本文结合一元混合模型和LDA模型，引入了基于BTM的用户兴趣建模方法并详细阐述了BTM的原理和建模过程，同时针对社会化媒体中的用户特征和数据特点进行了改进，通过在真实数据集上的实验，验证了BTM在社会化媒体中用户兴趣建模的可行性和有效性。　　最后，基于以上研究成果，本文设计并实现了一个包含数据收集模块、预处理模块、兴趣分析模块和个性化推荐模块的个性化推荐系统，并在真实数据集上进行模拟推荐，实验结果表明针对社会化媒体的BTM建模方法具有良好的效果，能有效地帮助用户发现其感兴趣的信息。