前沿热门技术主要是指在高新技术领域中具有前瞻性、先导性的重大技术,对于一个公司,一个部门来说,在海量的网络信息中寻找到符合自身的前沿热点话题非常重要,这些前沿热门技术话题信息随时间变化,把握好它们的变化趋势有利于社会的和谐与稳定,具有较大的实际价值和意义。话题生成的核心思想是把相似的文本信息合并在一起,传统方法是通过计算文本相似度和文本聚类形成话题,但是如果数据量太大往往会导致向量维度太大,计算困难,不符合实际情况。而对于传统的话题生成模型LDA来说,生成的结果易出现话题间关键词相似度较大的问题。在前沿热门技术话题追踪系统中,获取的原始数据类型是新闻,博客和论文,它们的标题信息能够代表它们所在文章的中心思想,因此,引入信息熵这一概念,它代表一件事情发生后的影响力,提出了一种基于K-means和Canopy相结合的基本标题的文本聚类算法,在此聚类基础上,采用基于信息熵的LDA话题模型进行话题生成,进一步提高了话题生成的准确度。在话题的追踪方面,传统方法普遍是根据前期的数值来预测将来的结果数值,而在本系统中是预测话题的变化趋势,针对这种情况,设计了一种热门话题评估机制,实现了对前沿热门技术话题的流行度评估,并基于文本相似度算法,对系统获取的新数据实现话题归类,实现话题跟踪。在分词模块,针对前沿热门技术领域名词众多的特点,改进结巴分词模型,设计并完成了分词测试和自定义分词的功能,并在分词测试过程中实现了实体抽取功能,方便用户更好地了解前沿热点话题。在此研究基础上,设计并完成了前沿热门技术话题追踪系统,主要包含:网络爬虫,信息展示,日志记录,文本分词,文本聚类,话题生成和追踪等功能。通过传统话题生成模型和基于信息熵的LDA话题生成模型进行对比测试,改进的话题模型在话题生成和追踪方面准确率可达80%,基本能够满足用户的基本需求。