推特是世界主流的社交媒体之一。在推特平台上,每天都会产生大量用户原创内容。从这些海量推特数据中探索用户兴趣的分布规律和相关性,对于实现精确的个性化推荐和提升用户满意度有重要的意义。近些年来,在推特分析领域,很多学者提出了许多关于如何有效挖掘用户兴趣的方法,然而这些方法往往只能挖掘出单一层次的兴趣,从而无法构建不同粒度的兴趣层次。另一方面,在商业智能领域,在线分析处理(Online Analytical Processing,简称OLAP)作为一种海量数据的分析处理技术,允许用户从不同维度交互式地探索数据,提供了一种适合人们探究推特数据的直观形式。本文提出了一种高效的基于多特征融合的用户推特数据清洗方法和一种基于LDA的推特用户兴趣维层次提取方法,以实现基于推特数据的在线分析处理。前者根据推文的文本特征、社交特征和话题特征对推文进行综合评分,然后剔除低于阈值的噪声推文,为之后的推特用户兴趣提取奠定了基础。后者根据推文与传统文档的不同之处,对LDA进行了适当改进,重新定义了推文的生成过程,增加了子兴趣层次和推文单词的语义特征,并通过综合考虑用户的推文信息和社交信息构建了面向推特用户兴趣的主题模型,即MS-LDA。根据MS-LDA挖掘出的用户子兴趣和兴趣,可以构建支持OLAP的兴趣维层次,从而实现对推特用户兴趣的探索。最后,我们在真实的数据集上验证了本文方法可以有效地提取出推特用户的兴趣维层次并适用于上卷、下钻等各种OLAP操作。同时,与其他识别兴趣维度的方法相比,本文方法具有更高的准确率和覆盖率。