随着大众健康信息素养的不断提升,在线健康社区蓬勃发展,患者、医生等用户群体在这类平台上进行有效的交流。通过为患者提供多样的社会支持,在线健康社区能够提高患者的个人健康管理能力。然而在海量的社区信息中,患者面临着信息过载问题,健康论坛中的用户往往难以直接检索到自己需要或感兴趣的信息,该问题限制了在线健康社区的效益最大化。推荐是解决信息过载的经典技术,话题帖是健康论坛中最为典型的信息聚合单元,有效的话题帖推荐对于提高在线健康社区的用户体验至关重要。本文提出一种基于主题模型和网络表示学习的在线健康社区话题帖推荐模型,通过学习分类器预测用户的回帖行为,从而向用户推荐话题帖。话题帖推荐模型通过挖掘在线健康社区的信息网络,获得训练分类器所需的特征,预测用户回帖行为。与当前研究所构建的信息网络仅包含用户节点、话题帖节点和医疗实体节点不同,本文利用LDA模型生成主题节点,在健康社区的信息网络中保留更丰富的用户和话题帖的上下文信息。在此基础上,本文利用网络表示学习技术挖掘节点所在网络结构的语境信息,得到节点的低维向量表示,从而抽取可用于预测用户与话题帖节点间链路的特征,训练出一个用于话题帖推荐的分类器。为了验证提出的模型,本文采集糖尿病论坛“甜蜜家园”的数据进行实验研究。结果表明,主题节点和医疗实体节点能够体现在线健康社区用户文本中不同粒度的信息,结合两者能够更全面地表达用户兴趣,基于网络表示学习得到的特征在分类效果上优于基于节点性质或共同邻居的特征。因此,主题模型和网络表示学习方法的引入能够从在线健康社区信息网络中更有效地获得用户对话题帖的历史兴趣,提高用户回帖行为的预测效果,优化在线健康社区的话题帖推荐。