互联网的迅猛发展催生了各种社交网络媒体,如脸书、推特、微博和微信等。这些社交媒体平台给人们提供大量信息的同时也增加了获取有效信息的成本。其中,推特作为最大的社交网络媒体,具有数以亿计的用户量,平台上的信息也是日益增多。因此,对海量推特信息进行压缩,以获取其摘要具有重要意义。近年来推特摘要研究得到了广泛关注,但在言论规范性和主题多样性这两方面仍存在不足。针对上述问题,本文具体研究内容如下:1.针对言论规范性问题,本文提出了基于句法分析的文本去噪模型。首先,通过句法分析和句子结构分析来确定句子中各成分的依存关系,进而确定句子主干信息。然后,依据句子主干信息判别句子的完整性,从而过滤掉嘈杂、句意不明的言论,得到更优质的原始语料。最后,通过句子主干信息提取相应关键词,从而依据关键词的重合度对语料中的相似言论进行去重处理。实验结果表明,本文提出的模型检出的病句占原始语料的比例在20%-36%之间。2.针对主题多样性问题,本文提出了基于社交网络信息和流形学习的推特摘要模型。首先,将推特摘要问题看成是一种特殊的多文档摘要问题,进而通过改进的多模态流形学习算法来提取主题信息和语义信息。其次,考虑到一条推特上的社交网络互动信息一定程度上代表了大众对其的关注程度,本文将此类信息整合到模型中,从而使模型具有一定的舆情感知能力。然后,为了检验言论和主题的相关性,设计了一种主题隶属度的检验方法。最后,由于评测数据集的缺乏,建设了用于评测的数据集。实验结果表明,本文提出的模型与基于图的经典摘要方法相比,主题相关性评测指标上的提升约2.2%,ROUGE评测指标上的提升约20%。