移动互联网的高速发展带动了社交网络的兴起,微信、Twitter、新浪微博等社交网络社区中每天都传播着现实世界中发生的真实事件。由于用户的随意性以及一些社交平台文本字数限制,使得社交平台中的文本数据大多属于短文本,而这些短文本中的词语在时序排列上有一定的依赖关系,词语之间相互影响,不独立存在。如何充分利用这些海量的序列短文本数据,对热点事件类型属性和事件话题信息进行深入的分析,成为了一个非常有意义的课题。一些传统的机器学习模型在处理序列短文本数据时捉襟见肘,首先这些模型不能克服序列短文本数据的稀疏性问题,其次,这些模型不具备处理文本序列关系的能力。基于此,本文对序列短文本中的事件分类和事件话题追踪进行了深入的研究和分析,具体工作主要有:1.本文设计了一个基于池化注意力机制的序列短文本分类模型PAN(Pooling Attention Network)来对社交文本数据进行事件分类,模型采用循环神经网络(Recurrent Neural Networks,RNN)来处理变长序列文本,克服了短文本数据稀疏性的问题,在循环神经网络的基础上加入了门控循环单元(Gated Recurrent Unit,GRU)来避免训练过程中梯度消失带来的训练停滞问题,在GRU的输出端加入了一个池化注意力机制,该机制将卷积神经网络(Convolutional Neural Network,CNN)中的池化层(Pooling Layer)和在机器翻译领域中效果很好的注意力机制(Attention Mechanism)相结合,通过选择性的关注于文本序列中的某一部分特征,解决模型训练过程中序列长度有限带来的特征编码不充分的问题。2.本文针对热点事件序列短文本中的话题提取和追踪,提出了一个TTD(Topic Trend Detection)模型。该模型通过采用聚合机制和限制主题分布来解决序列短文本数据稀疏性的问题。另外,本文在TTD模型中加入了一个基于词语重要程度的权重模式,选取词语共现次数大于设定阈值的词语作为当前文档的话题词集,相比单一的词语作为文档主题,话题词集涵盖的信息更广泛,表达的语义更明确。之后将单位时间下话题词集中的词语输入事先训练好的词向量中,得到话题相关词。最后,整合事件不同时间节点的话题词集和话题相关词,得到事件话题随时间的演化过程。在公开数据集和社交平台真实数据集中,通过丰富全面的对比实验,验证了PAN模型和TTD模型的有效性和应用性,并深入分析了在当前现有资源的前提下如何优化神经网络模型的实际效果。