随着社交平台的迅速崛起,各种短文本信息丰富着人们的生活,如微博、知乎和推特等,用户常以文字为主体分享自己感兴趣的事物。因此学者们可以从中发现用户感兴趣的主题信息,并将它们应用于实际项目中。目前大多数主题模型都是针对长文本数据,而在短文本的应用中,由于文本稀疏问题导致实验效果并不理想。为了克服短文本数据集的稀疏性问题,双词主题模型（Biterm Topic Model,BTM）将文本中提取出的共现词对作为建模对象,以此来解决短文本篇幅短带来的稀疏问题。本文对BTM模型挖掘短文本的主题信息和社交用户主题分布推算技术中存在的不足提出了改进措施,使得提取的短文本主题信息和社交用户主题信息质量更高且更有效,主要工作如下:1.针对BTM主题模型中,滑动窗口获取词对的方式存在忽略词对间上下文语义和语序关联的问题。本文在BTM模型的基础之上,提出了一种基于语义依存分析的词对获取方法替代滑动窗口方法。该方法为了获取更具语义关联的词对,首先分析文本的依存关系和词间的语法关系,再将具有强语法关联的词组成词对。为了进一步解决文本稀疏问题,在依存分析获取词对的基础上提出通过词相似和词关联的方法来扩展数据集的词对数量,使得模型在解决稀疏问题的同时增强文本主题倾向。2.针对传统的社交平台用户主题特征计算方法中,合并同一用户所有发文后进行主题分析而忽略了发文间可能不存在语义关联的问题。本文提出了一种基于热度的社交用户主题特征计算方法,首先对所有发文单独进行主题分析,再使用热度矩阵计算每条发文的热度值作为每条发文主题信息的权重值,最后通过加权合并得到用户的主题分布。该方法不仅能更深入的获取每条发文的主题信息,还在一定程度上揭示每条发文主题信息对于用户主题信息的重要程度。最后,通过社交平台用户收入分析实验可以得出,基于热度的用户主题特征计算方法的效果更佳。