随着互联网应用的普及,各类在线社区不断涌现,而社区内的用户生成内容也爆发式增长。伴随“互联网+健康医疗”战略的推进,在线健康社区取得蓬勃发展,大量互联网用户活跃其中,用户的交互行为生成了大量的文本数据,这为研究者提供了丰富的研究内容。在线健康社区用户参与到社区中最主要的目的是获取所需的健康信息和知识,为了帮助用户快速获取所需的信息和知识,本研究提出一种用户生成内容主题挖掘模型,并根据主题挖掘结果进一步构建主题网络,为社区用户提供系统化的健康信息和知识,同时依据链路预测方法预测主题网络中可能产生关联的主题,帮助社区用户完善自身的健康知识系统,最终获得所需的健康信息和知识。首先以在线健康社区用户生成内容为研究对象,结合在线健康社区用户的健康信息与知识需求,针对传统的LDA主题模型在进行主题挖掘时没有考虑信息质量这一不足,研究在线健康信息质量评价体系,并对网络健康信息进行质量加权,在LDA主题模型的基础上建立Q-LDA主题挖掘模型,增强模型的主题表示能力。然后依据Q-LDA主题模型的挖掘结果,通过改进的GED算法计算各主题内容之间的相似程度,并将内容之间的相似程度定义为紧密度,以紧密度为边权构建主题网络。最后,针对链路预测基于节点局部信息的相似度指标在计算时没有充分考虑网络结构特征的不足,结合构建的在线健康社区主题网络的结构特征,依据主共同邻居主题节点之间紧密度与相互之间联系的复杂度构建基于共同邻居节点链接紧密度的链路预测相似性指标LTCN,提出一种有效的在线健康社区潜在关联主题发现方法,通过预测主题关联帮助在线健康社区用户进一步完善自身的健康知识系统。经过实例验证,本研究所构建的Q-LDA模型的结果可解释性和主题表达能力优于传统的LDA主题模型,其主题挖掘效率提高了 16%,能够更有效地挖掘网络健康社区信息所隐藏的主题。在为用户提供系统化的健康信息的基础上,通过构建的基于共同邻居节点链接紧密度的链路预测相似性指标LTCN可以有效提高在线健康社区主题关联预测精度,其结果可以有效帮助社区用完善自身的健康知识体系。在线健康社区的相关运营企业在进行用户个性化推荐、定向广告投放等运营活动时可以根据主题挖掘结果以及主题关联分析进一步提高推荐或者投放精度。