随着互联网的普及和大数据的兴起,各类文本处理的技术也发展成熟起来。从大量文本中有效提取信息在商业、社会、生活等多领域都有很高的潜在价值。中国少数民族众多,其中有些民族,如维吾尔族的生活相对集中,有自己的民族风俗和语言文字。通过对少数民族语言的论坛和新闻网站的统计和分析,能够更加快速有效地获悉当地舆情动向,为将来的舆论导向和政策做技术上的支撑。论文首先介绍了话题检测中应用到的技术和理论,然后结合从新疆各网站和论坛爬取数据的特点,选取适当的技术手段处理后对其进行建模,计算文本相似性后通过文本聚类算法对其聚类。聚类中使用了由Doc2VecC模型训练而来的能表示文本的特征向量,为了使多批次的聚类结果有可比性,当对不同文本进行训练前,先训练出大量的词向量作为“基量”。确定话题中心后,直接使用相似度来进行后续的话题跟踪。本文对Doc2VecC模型做了些改进,以使得在不同实验中产生的文本向量可以直接比较相似性。话题检测与跟踪是一个动态的过程,必然是得到文本之后再计算文本的特征向量,这就需要所有的实验都有同样的“背景”。提出“基量”作为所有实验中固定的词向量,并对新出现不在“基量”中的词赋以随机向量的方法。实验结果表明,Doc2VecC模型的文本特征向量优于传统中使用Tf-idf算法生成的特征向量。使用“基量”后的文本向量实验,可以保证多次实验结果的相关性,和热点话题中心向量做相似度计算,可以确定后期出现的文本是不是属于当前的热点话题。