随着社交媒体的快速发展，基于用户的情感分析逐渐引起了研究领域的关注。情感分析指的是根据用户在社交媒体上评论自动地分析出用户情感极性。然而，用户仅仅在他们比较关心或者感兴趣的话题下发表他们的评论和观点，而往往这些话题数目比较少。推理用户在其他未知的话题下的情感是一个非常具有价值和挑战的工作。具体地，我们面临如下几个挑战:　　1.复杂异构网络:社交网络中包含了用户、评论文本、社交关系、话题等，这些因素构成了一个复杂的异构网络。如何统一地对异构网络中各种不同因素进行建模分析将是我们主要问题点。　　2.数据稀疏性问题:用户在网络中仅仅对少部分他们感兴趣的话题进行评论，这就造成了数据严重的稀疏性。　　为了解决这个问题，我们提出了一种新颖的用户级话题因子图模型。模型中用统一的变量节点来表示异构网络各种不同元素。其次，模型中定了了三种不同因子函数分别表示用户与文本、用户与用户和话题与话题三种不同的关系。同时，利用好友之间的关系和话题之间的联系将很好地解决数据稀疏性问题。　　然后，我们将情感因素融入到兴趣点推荐方法当中去，为用户推荐一些他们真正感兴趣的地点。具体地，我们基于用户移动行为建模分析提出了一种融入时间、区域、主题和情感的概率生成式模型。我们的模型能够很好地挖掘出用户话题偏好、话题情感偏好、用户区域偏好等用户偏好，同时也能够挖掘出兴趣点的区域偏好、主题偏好等。利用这些偏好信息我们能够用于为用户推荐兴趣点等应用当中。从实验结果中我们也发现相比于传统推荐方法我们的方法在推荐的准确率和召回率都有很好地提升。