近年来,随着互联网与智能移动设备的快速发展,以Twitter,微博等为代表的社交媒体应用变得越来越受欢迎,个人网站,博客,社交网站等应用每天会产生大量的信息,导致了严重的信息过载问题,用户很难在大量产生的信息中找到自己感兴趣的内容。文本推荐,可针对不同用户的具体情况给用户推荐满足其喜好的文本信息,成为了解决信息过载问题的有效途径。传统的文本研究方法主要集中于长文本,无法很好地适用于这类短文本的情境。为了在大量产生的信息中找到用户感兴趣的内容,我们分析了社交媒体应用中产生的信息的特殊性,提出了一种基于用户聚合的双词主题模型,能够有效分析短文本主题且进行推荐。本文的具体贡献如下：1.提出了一个基于主题模型的短文本推荐框架,利用用户聚合的双词主题模型,既解决了用户偏好获取的问题,又较好地解决了新文本的主题分析问题,并利用用户偏好与文本主题相似性来实现个性化的排序。2.提出基于用户聚合的双词主题模型UBTM,能够有效获取用户偏好和单词的主题分布,达到短文本主题分析的目的。同时提出了基于Gibbs采样的UBTM模型参数估计办法,并给出短文本主题的推断方案。3.提出了一个短文本推荐系统,利用UBTM技术从用户转发或者发表的文本中获得用户偏好和短文本主题分布,最终从新文本中对用户进行TopN推荐。我们在微博和Twitter的真实数据集上进行实验,定性和定量地证明了UBTM模型具有更好的推荐效果。4.最后我们实现了一个微博原型推荐系统,初步验证了上述技术和方法的合理性。