随着移动互联网技术的发展及移动终端的普及,网络上出现了许多社交类的网站和应用,微博由于其自身操作简单,传播快速等特性,聚集了大量用户。每个用户每天可以接收成百上千条微博,从而导致信息过载的问题,严重影响用户对信息及知识的获取。此外,越来越多的商家将微博作为营销平台,因此如何完成高质量的广告定向投放也成为一个具有重要商业价值的问题。微博用户的兴趣识别可以帮助解决上述问题。本文的主要工作如下:本文首先尝试了基于主题模型的用户兴趣识别。将用户的微博集合看作一篇文档,使用Labeled LDA主题模型对用户微博文档的主题进行预测,获得的主题分布看作是用户的兴趣主题分布。该方法的问题是,当兴趣词周围存在大量噪声词时,Labeled LDA主题模型对用户兴趣词的主题分配会随上下文而发生严重偏移,从而导致用户兴趣识别错误。其次本文尝试了基于微博分类的用户兴趣识别,通过对用户的微博进行逐条兴趣分类,从而缓解噪声词对兴趣词的影响,然后通过用户微博的兴趣类别分布识别用户兴趣。尝试了两个分类器,一个是以二字串bigram作为特征单元的线性SVM,另一个是使用卷积神经网络实现的分类器。实验结果表明,基于微博分类的兴趣识别方法的效果优于基于主题模型的方法,但上述两个分类器对于包含噪声词较多的微博分类效果还有提升空间。第三提出一种基于主题增强卷积神经网络的用户兴趣识别方法,通过构建一个结合连续的语义特征和离散的主题特征的双通道CNN作为微博分类器,对用户的微博进行兴趣分类,通过极大似然估计得到微博用户的兴趣。实验结果表明使用融合主题信息的主题增强CNN将显著提高用户兴趣识别的效果。最后一部分介绍了兴趣模型的一个应用,聊天机器人笨笨的新闻推荐模块,该模块基于LDA主题模型,负责为用户提供个性化的新闻推荐服务。