随着社交媒体以及各大社交平台的进一步发展,信息大爆炸的现代社会的快速来临,各种良莠不齐的短文本数据充斥在我们的身边,如微博数据、各大评论状态信息、影评等信息,这些短文本数据信息中绝大多数都蕴藏着丰富且高价值的信息。目前经常被使用到的方法是主题模型,该类模型主要是通过建模学习文档数据集中潜藏的主题结构以便自动去理解分析文本集内的语义。传统主题模型基本上都是基于长文本数据进行建模学习,在应用到短文本上时却没有考虑到用户生产出的短文本数据所具备的文本数据稀疏性等特征。为了尽可能克服短文本数据集内所存在的数据稀疏性问题,本文采用BTM短文本主题模型对所收集到的微博短文本数据进行建模学习,该模型以文档中所有的共现词对为建模对象,成功的克服了每篇短文本由于内容太短、共现信息不丰富所带来的稀疏性问题。在对该模型建模学习话题发现过程中所运用到的技术方法进行更深层次的研究发现后,并结合已收集到的微博数据集的基础上,对BTM模型挖掘潜在的话题发现建模技术中所存在的不足实施了改进措施,使短文本话题发现得出的结果更为精确、话题质量更高,详细工作如下:(1)针对标准BTM主题模型在建模过程中只对共现词对建模学习的方式,而忽略了微博内容所存在的交互性属性以及共现词对的语义联系,在标准的BTM模型的基础上,提出了一种具有热度和语义关联的BTM主题模型。改进后的模型尽可能利用了微博下的评论、转发、点赞数的大小所带来的影响,使用热度矩阵作为文档中单词的概率分布的权重值,在一定程度上提高了文档中单词的分布概率。并且在BTM模型进行Gibbs采样算法时,结合Word2Vec模型对文档内共现词对进行语义上的相似度计算,满足预定值的则对共现词进行加强操作,使词对具有语义上的关联关系。实验结果也表明,改进后的BTM模型改善了文档中单词的概率分布,使得各类主题的描述更加准确,建模后得到的主题质量更高。(2)在短文本话题发现阶段,采用Single-Pass聚类算法对改进后的模型建模学习得到的文档向量进行聚类分析,缓解了Single-Pass聚类算法存在的输入文档顺序先后敏感的劣势。对参数阈值?进行值优化后,改进聚类算法的相似度计算方法,进而更高准确率的挖掘出短文本中潜藏的话题。结合对比实验可以得出,该方法在精确率P、召回率R以及F1值上都有了一定的提高,使得短文本话题发现的结果在精确度上又有了提升。