随着信息化水平的不断提升,新浪微博活跃用户持续稳定增长,同时产生了海量的微博数据。微博数据反映了用户的兴趣偏好,对用户发布的微博文本进行分析,可以帮助他们发现感兴趣的话题;同时平台也可以基于用户兴趣进行个性化推荐,实现盈利。综上所述,用户兴趣挖掘对提升用户使用体验和促进平台健康发展具有重要意义。微博文档通常具有较长的时间跨度,用户兴趣也会随着时间的推移而不断改变,微博文本简短且包含了较多的噪音数据,这些都给用户兴趣挖掘带来了挑战。针对以上问题,本文提出了一种有监督的动态主题模型DS-LDA（Dynamic Supervised LDA）,该模型基于较细的时间粒度,结合了文档的时间和标签信息,考虑了主题-词语分布在不同时间阶段内的差异,实现了有监督的动态主题建模;本文将该模型和其他主题模型相对比,实验表明取得了较好的效果。此外,针对新浪微博网页端的特点,本文还实现了实用的用户兴趣挖掘系统:数据爬取模块负责抓取用户微博数据,数据处理模块进行去停用词、去噪处理,兴趣挖掘模块基于DS-LDA模型对用户兴趣进行预测,结果可视化模块对兴趣挖掘结果进行展示。