随着移动互联网的迅速发展,以QQ、微信为代表的社交软件逐渐成为人们日常生活中主要的交流工具,群组聊天则是其中的一种重要功能,产生了海量的群聊数据,话题发现技术可以分析出群聊所涉及的话题,使得用户可以快速获知某个群的热点话题,这对于提升用户体验具有重大意义。主题模型则是实现文本话题发现的一个重要方法,但是传统的LDA主题模型,将其直接应用于群聊文本主题挖掘,会由于群聊短文本稀疏性特征使得主题建模效果较差。同时,LDA使用词袋模型来表示文档,在进行主题挖掘时只考虑了词频,忽略了词与词存在的语义关系,使得最终得到的主题语义连贯性较差。因此,本文将从短文本特征以及词间语义联系两个方面对LDA模型进行改进,使其在群聊主题挖掘上具有更好的表现。本文基于LDA模型进行改进,提出了基于BERT-LDA的群聊主题挖掘模型（Group Chat Topic Mining Based on BERT-LDA Model,BERT-LDA）,BERT-LDA模型通过上下文合并来保留原始语境,之后使用BERT预训练模型来提取群聊文本语义特征,将其作为聚类模型的输入,通过文本聚类的方法,来扩充每篇文档所包含的词汇,使得词汇可以广泛分布在各个主题中,而不是趋向于某几个主题。进一步,由于LDA模型在进行主题挖掘时没有考虑词之间的语义关系,使得获取的主题语义连贯性较差,因此,本文提出了基于语义增强和BERT-LDA的群聊主题挖掘模型（Semantic Enhancement and BERT-LDA based Group Chat Topic Mining,SEBL）,SEBL模型在BERT-LDA模型的基础上,将词间语义关系引入主题建模中,通过词性特征和TF-IDF选择出能够代表文档的关键词作为语义增强的候选词集,然后通过双层广义波利亚翁模型（Generalized Pólya Urn Models,GPU）增加语义相似候选词在同一主题中的分布概率,使得生成的主题描述词之间具有更强的语义关系,提高主题的语义连贯性。本文最后基于真实的QQ群聊数据进行实验,使用困惑度以及主题语义连贯性作为模型的评价指标,将SEBL模型、BERT-LDA模型与LDA模型、BTM模型进行实验对比,最终实验结果证明,本文提出的BERT-LDA模型和SEBL模型相比于LDA、BTM,能够取得更低的困惑度以及更好的主题语义连贯性,同时,SEBL模型优于BERT-LDA模型,证明了语义增强和候选词选择能够提升模型效果。