随着互联网和移动互联网的发展，社交网络凭借其信息传播速度快传播范围广的特点迅速成为人们网络社交的重要平台，对社交数据中话题的趋势进行研究和分析具有重要意义。本文构造爬虫系统从微博平台上爬取大量社交数据并对其进行初步分析。提出改进的文本表示模型并运用融合了NMF和时间窗类簇合并的层次聚类算法进行文本聚类形成话题。最后分析影响话题趋势的特征并对趋势预测模型进行对比研究和改进。
　　首先，构建了一个爬虫系统，从微博平台上爬取社交数据，对所爬取的微博数据进行了基本分析，包括博文分析、博主分析、用户网络分析和话题网络分析。
　　其次，针对现有的文本表示模型往往只考虑词频特征，忽略了词与文档之间关联性，以及忽略了同一个词在不同长度文档中的重要性，本文提出结合改进TF_IDF和PMI的文本表示模型。针对短文本特征稀疏的特点，本文引入L2正则化因子对非负矩阵分解算法加以改进。然后，将层次聚类与非负矩阵分解结合，同时使用归一化折损累计增益的凝聚度评价方法，形成层次聚类框架下的逐步非负矩阵分解算法并对文本集聚类，对聚类结果再按时间窗进行划分，同时使用联合了余弦相似度和Jaccard相似度的相似度计算方法，对相邻时间窗的类簇进行合并，以达到动态检测合并话题的效果。
　　最后，对话题趋势进行分析和预测，从不同时间粒度对微博转发值进行分析，确立以转发量为主的趋势预测指标。分析影响话题趋势的特征，在传统KED算法的基础上提出改进的意见领袖影响力计算方法，并对影响话题趋势的特征进行对比分析。用多种基于机器学习的的预测模型对话题趋势进行预测，并提出了改进的决策树算法和随机森林算法，通过对比，验证了改进算法的优势。