社交网络是指一系列建立在Web 2.0基础上,允许用户创造和交流的互联网应用。现实生活中发生的事件通常在社交网络中能引起广泛关注。社交网络中突发性事件检测方法利用机器学习、自然语言处理等技术从海量社交网络数据中发现现实生活中发生的事件,能够及时了解社会上出现的热门话题,同时能够帮助政府等机构及时了解社会舆情并采取相应措施。传统突发性事件检测方法一般通过文本在线聚类将描述同一事件的文本聚合成文本簇,然后通过分析用户生成数据中事件特征的变化趋势和轨迹等信息识别现实生活中的真实事件,但现有方法大多存在事件特征提取不够准确、识别不够及时、无法适应海量数据处理等问题。针对这些问题,本文以推特数据流为研究对象,以突发事件检测为研究目标,主要在以下几个方面进行研究和创新:(1)提出基于有限状态机的突发事件检测方法。该方法对有限状态机进行改进,通过存储特征单词的状态相关信息对新数据实现状态增量更新,解决了传统的状态机模型无法高效地处理海量实时数据的问题,在时间维度能够细粒度地识别事件突发特征。针对事件识别不够及时的问题,提出了一种突发事件判定的方法,将从推特数据流中提取的突发特征应用到聚类簇的突发事件判别上,有助于缓解事件的早期发现问题,并使用Wikipedia和Event Registry构造了突发事件测试集。该方法具有伸缩性强和计算量低的优点,满足突发事件检测的需求。(2)提出基于词相关性特征的突发事件检测方法。针对传统特征词信号突发特性不明显的问题,综合考虑用户影响力和推文传播特性构建事件特征的突发模式,解决了事件特征提取不够准确的问题。使用多归属谱聚类的方法解决了图划分方法中事件特征词重叠的问题,针对图划分个数难以确定的问题,使用特征值向量确定图划分的最优个数。针对计算量大的问题,该方法根据词关系图的变化识别出突发事件对应的特征词集合,提取突发事件对应的推文信息。该方法召回率高,能够及时检测到突发事件并得到事件关键词信息。