微博作为一种新型的社交网络平台,已经成为用户发布和获取信息的重要途径。对微博进行主题建模能使用户从海量信息中找到感兴趣的信息和用户。但是由于微博消息长度短,更新速度快以及噪音大等问题,传统的主题建模方法效果并不理想。　　 本文实现了两种对LDA主题建模改进的方法,基于用户维度的建模方法将原始LDA模型和作者主题模型相结合,通过对用户一主题进行建模取代原有的文档一主题建模方式,解决了文本长度过短而造成的信息量不完整的问题;基于领域一时间的建模方法在前者的基础上进一步认为微博消息在领域和时间上有着明显的集中性,因此考虑了领域和时间因素的建模方法能有效地降低微博消息中的噪音,提高主题区分度。在此基础上,本文通过训练好的主题模型对用户进行兴趣挖掘,并实现用户的个性化推荐,包括相似用户推荐和用户感兴趣的微博消息推荐。　　 实验证明,基于主题模型实现的个性化推荐的准确率均高于使用TF-IDF算法,且两种改进的建模方法在主题质量上确实明显优于直接应用LDA模型对微博消息进行主题建模,尤其是基于领域一时间实现的个性化推荐,达到了较高的准确率。