移动应用程序（Application,以下简称App）产生的用户评论数据能够为App维护和更新提供重要信息。软件开发者通过挖掘App评论中的有效信息可了解用户关注的软件问题,进而维护App以满足用户需求。然而,App评论的短文本特性和噪音数据使得挖掘App评论中的有效信息具有挑战性。主题挖掘被广泛应用于App评论有效信息自动化挖掘中。App评论中的主题指多条评论共同提及的中心内容,开发者通过App评论主题可快速了解用户关注的主要问题,例如影响用户使用体验的软件缺陷或软件功能。已有的多数相关研究通过主题模型和无监督聚类挖掘App评论中的主题,然而App评论主题面临可解释性弱和主题间差异小的问题,导致其并不能直观地为开发者提供有效信息。App评论中的新兴主题指用户在以往时间内关注较少而在特定时间下聚焦关注的App主题,如新出现的软件bug。及时、准确地从App评论中识别新兴主题能够为开发者提供更具有时效性和直观性的信息,进而维护App以满足用户需求,改善用户软件使用体验。本文聚焦识别App评论主题中的新兴主题,具体研究内容如下:（1）App评论的文本长度通常较短且包含大量的噪音数据。已有的新兴主题识别研究没有充分考虑错词、缩略词和短文本稀疏特性对新兴主题识别的影响,进而限制了新兴主题识别的准确性。因此,本文提出了一种面向App评论的新兴主题识别方法,命名为IETI（Improved Emerging Topic Identification）。具体来说,IETI首先通过预训练模型纠正App评论中的错词,并通过一系列自然语言预处理方法减少噪音数据。然后,在挖掘时间序列下App评论的主题分布过程中,IETI通过构建双词以克服短文本稀疏特性。最后IETI通过离群点检测方法识别App评论主题分布中的新兴主题,并通过官方更新日志评估新兴主题的有效性。选取了来自不同平台的多款流行App的评论数据进行实验,相比于最新模型,IETI取得了更高的精准率、召回率和F1分数。（2）用户情感倾向通常会影响App评论的内容,进而影响新兴主题识别的准确性。例如具有消极情绪的App评论更倾向于提出具体的影响用户软件使用体验的问题。因此,本文提出了一种融合情感倾向预测的新兴主题识别方法。在识别新兴主题过程中,通过情感倾向预测模型与IETI联合建模,将用户评论的情感倾向引入到相关评论对新兴主题识别的贡献程度中。实验表明,用户评论的情感倾向有助于识别App评论中的新兴主题。（3）不同种类的App评论在文本内容上有所差别,进而影响新兴主题识别的准确性。因此本文提出了一种融合文本分类的新兴主题识别方法,针对App评论短文本的特性和App评论分类模型易过拟合的问题,提出了一种基于语义拓展的App评论分类方法,命名为TLFS（Transfer Learning and Frame Semantics）。通过对公开的手工标记的App评论数据集进行分类,验证了TLFS的有效性和泛化性。在识别新兴主题过程中,通过TLFS与IETI联合建模,进而识别不同类别标签及不同类别标签组合下的App评论中的新兴主题。实验表明,标签为“Bug报告”和“特性请求”的App评论更有助于识别App评论中的新兴主题。