主题发现和演化一直是自然语言处理领域的研究热点。主题发现是指从大的语料库中抽取出关键词组,能够简洁地表示出这个语料库的概述信息。主题演化是指发现主题的内容或者强度随时间的演化情况,帮助研究者深入了解主题产生、发展的过程。目前针对主题演化的研究工作主要集中在长文本,例如网页、新闻还有博客等等。但是,随着微博、微信等短文本数据流的兴起,传统的长文本主题演化方法面对稀疏的短文本不再适用,因此迫切需要针对短文本数据流的新方案。本文致力于研究短文本数据流的主题演化。本文的主要研究工作有:1)针对短文本数据流的“短”特性,基于传统的短文本主题模型BTM做了改进,提出新的短文本主题建模方法RIBS-TM。RIBS-TM利用循环神经网络RNN来训练词对之间的关系,并且引入逆文档序IDF值来削弱高频词的影响,从而提升主题挖掘效果;2)提出了一个完整的基于RIBS-TM和主题关联的主题演化模型,该模型对每个时间窗口的文档集采用改进的RIBS-TM算法进行主题建模,并且用主题关联方法对相邻时间窗口间的主题进行关联分析,除此之外,还增加了主题关联过滤规则来过滤掉无效主题关联;3)探索了主题内容演化的不同类型,并在用户投诉数据集和搜狗新闻标题数据集上验证了这些主题演化现象的存在。人们在不同时间段关注点的发展与变化在不同的主题演化类型中得到详细体现,使得主题建模结果更具有实际意义和应用效果。