主题模型(Topic Model,TM)作为一种非监督学习方法被广泛应用于主题抽取任务当中,然而它是一种仅以词共现为基础的数据驱动模型,抽取的主题缺乏可解释性和相关性。为了解决这个问题,很多领域知识(如情感词典)被运用到主题模型当中。在大数据时代下,数据规模越来越大,数据的来源领域越来越广泛,数据的更新速率越来越频繁,特别是在电子商务和微博平台中,各种领域的评论数据随着交易的进行或者热点事件的发生而不断产生,导致仅靠外部的静态领域知识已经不能满足挖掘高质量主题任务的需求。在文本主题抽取过程中,鉴于外部静态的领域知识未能很好应对更新频繁文本的主题抽取任务,本文提出,引入终身学习的方法动态地挖掘内部先验知识,提升主题挖掘质量,同时为了提升终身学习方法的学习效率,本文将结合变分贝叶斯(Variational Bayesian,VB)和知识正则项(Knowledge Regularization Term,KRT)的方法运用内部先验知识。本文的主要工作和贡献如下:(1)提出采用终身学习的方法挖掘内部先验知识,使用变分贝叶斯的方法进行主题模型的参数求解,同时利用KRT的方法来应用内部先验知识,即正则化终身主题模型(Regularized Lifelong TM,RLTM)。(2)基于RLTM模型,引入情感词向量知识,并且利用自学习KRT的方法来应用内部先验知识,提高模型的精确度和效率,即正则化终身高斯主题模型(Reg-ularized Lifelong Gaussian TM,RLGTM)。(3)基于RLTM模型,引入情感极性,利用外部的情感词典知识,同时采用自学习KRT的方法来应用内部先验知识,提高模型的精确度和效率,即正则化终身情感主题混合模型(Regularized Lifelong JSTM,RLJSTM)。(4)对比了RLGTM和RLJSTM在引入情感知识过程中的区别和联系,并在多个领域的数据集上对模型进行了相应的实验,评估各个模型的主题抽取质量和训练效率。(5)设计并实现了以RLJSTM等模型为基础的文本情感分析系统(Text SentimentAnalysis System,TSAS)。