目前,网络传销已成为阻碍社会发展的一大毒瘤。伴随着大数据时代的来临,网络中数据量的爆发式增长,给传销提供了一种新型的传播形式,网络传销应运而生。由于其传播速度快,传播方式隐蔽,传播者分散在全国甚至境外,电子证据难以获取,为违法者提供了网络传销土壤。同时,也给职能部门的监管和打击带来了不小的挑战。大量的网络传销站点通过文本的形式在网络中散播传销信息。如何有效的从海量文本信息中挖掘并判断出哪些是网络传销文本成为了当前的迫切需要。在网络传销文本分类过程中,由于文本特征多样化,产生了大量的噪音数据,因此训练文本不能很好地拟合整个特征空间的分布情况。想要对网络传销文本进行精准的分类鉴别,仅仅采用传统的分类算法是不可靠的。此外,网络传销文本格式杂乱无章,良好的文本预处理将直接影响分类结果。特征选择能够影响文本分类精准度,但是,个别明显特征很难代表网络传销文本特性。本研究基于NLPIR分词工具对文本进行预处理,并根据网络传销文本所描述的高收益、高返利、层级式计酬,以及文本主题多样性等特征,提出了一种联合主题模型Paragraph Vector Latent Dirichlet Allocation(PV_LDA)。该模型将段落作为最小处理单元,从网络传销文本中分别生成“高息”和“层级计酬”两种特征的主题分布矩阵,采用Gibbs抽样推导出二者共同代表的“传销”主题分布矩阵,用于分类器做分类处理。针对以上核心技术点,研究内容包括以下三点:(1)使用NLPIR对文本进行预处理之后,以LDA模型为基础主题模型,通过聚类的方式将文本中的特征信息进行归纳总结,采用Gibbs抽样迭代计算模型参数,有效的从网络传销文本中获取主题分布矩阵。(2)将两种能够代表网络传销特征的主题进行融合,提高主题分布矩阵对传销特征的泛化能力是研究的重点之一。该方法采用哈达玛积,并引入一个残差联合向量,将两类主题分布矩阵进行融合,使其生成的联合主题分布矩阵对传销文本更具有代表性。(3)本研究将综合考虑分类器的各项指标,通过交叉实验对比选择一个精确度高,处理速度快的文本分类器。实验表明,本文提出的主题模型能够更合理的捕获传销特征,考虑主题挖掘效果的同时也保证了模型的泛化能力,并在实验过程中表现出了更好的性能。