1、推特是世界主流的社交媒體之一。在推特平臺上，每天都會產生大量用戶原創(chuàng)內容。從這些海量推特數據中探索用戶興趣的分布規(guī)律和相關性，對于實現精確的個性化推薦和提升用戶滿意度有重要的意義。近些年來，在推特分析領域，很多學者提出了許多關于如何有效挖掘用戶興趣的方法，然而這些方法往往只能挖掘出單一層次的興趣，從而無法構建不同粒度的興趣層次。另一方面，在商業(yè)智能領域，在線分析處理（Online Analytical Processing，簡稱 OLA

2、P）作為一種海量數據的分析處理技術，允許用戶從不同維度交互式地探索數據，提供了一種適合人們探究推特數據的直觀形式。
　　本研究提出了一種高效的基于多特征融合的用戶推特數據清洗方法和一種基于LDA的推特用戶興趣維層次提取方法，以實現基于推特數據的在線分析處理。前者根據推文的文本特征、社交特征和話題特征對推文進行綜合評分，然后剔除低于閾值的噪聲推文，為之后的推特用戶興趣提取奠定了基礎。后者根據推文與傳統文檔的不同之處，對LDA進行了適

3、當改進，重新定義了推文的生成過程，增加了子興趣層次和推文單詞的語義特征，并通過綜合考慮用戶的推文信息和社交信息構建了面向推特用戶興趣的主題模型，即MS-LDA。根據MS-LDA挖掘出的用戶子興趣和興趣，可以構建支持OLAP的興趣維層次，從而實現對推特用戶興趣的探索。最后，我們在真實的數據集上驗證了本方法可以有效地提取出推特用戶的興趣維層次并適用于上卷、下鉆等各種OLAP操作。同時，與其他識別興趣維度的方法相比，本方法具有更高的準確率和覆