社会媒体平台的繁荣发展导致大规模嘈杂的短文本产生。短文本主题挖掘旨在从海量的社会媒体短文本中挖掘潜在的主题信息,可用于文本摘要、话题推荐和回复生成等应用。目前,面向社会媒体的短文本主题挖掘技术可分为基于集聚策略的、基于先验知识以及结合文本内容和网络结构等三类方法。但已有的短文本主题挖掘技术均忽略了相互关联事件间共享语义信息以及社会媒体用户的动态行为信息。基于以上两点,本文针对面向社会媒体的短文本主题挖掘技术作进一步深入探索:1.现有研究利用词嵌入作为先验知识指导建模或者引入对话结构丰富上下文,从而推断单个社会媒体事件的主题。然而这些方法忽略了多个相互关联事件间的共享语义信息。该共享语义可以作为先验知识互增强各个事件的相关主题生成。本文提出一种基于互增强知识的主题模型(Reinforced Knowledge LDA,RKLDA),其用于挖掘每个事件的主题。2.前人工作或只考虑文本信息,或同时对社会网络中的文本信息和静态结构特征进行建模。二者均忽略了社会媒体中用户的动态行为,这会导致生成话题的一致性较差。然而一个用户与不同的用户交互时可能谈论不同的主题,同时谈论同一主题的用户们对这个主题产生的影响也是不同的。这些用户行为对于短文本主题挖掘任务提供了潜在的线索。受网络表示学习以及社会用户行为研究的启发,我们提出基于动态交互行为和用户注意力机制的交互感知主题模型(Interaction Aware Topic Model,IATM)。在新浪微博数据集上,本文通过与前人方法的对比实验证明了本文方法的有效性。