处于社交网络时代的我们,人人都是知识内容的发布者。知识内容主要来自于途径,一个是用户的发布内容(微博,博客)等,另外一个是用户之间的交互(标签,评论,回复)。这些内容之间包含了巨大的信息等待挖掘,例如舆论态度,用户的性格爱好等。然而由于这些语料规模巨大,给数据挖掘带来了极大的挑战。对这些庞大的语料进行摘要整理,显得尤为重要。文本摘要在自然语言处理领域是一个由来已久的课题。前人提出的方法已经有效且广泛的运用在纯文本语料上面,但是在社交网络的语料上却表现不佳,主要原因在于忽视了社交网络语料的“社交”属性,主要体现在文本的长度较短,用语不规范,口语化,未登录词较多等。这些特点使得传统方法对于语料的推断往往不准确;此外,语料中包含的评论,回复,作者自行添加的标签等信息无法在传统方法中被利用起来,而这些信息往往对语料主题的推断很有帮助。基于以上原因,我们提出了适用于标签语料数据的文本摘要方法,这种方法可以完成三个不同场景的摘要任务,分别是标签摘要,对比摘要,实时摘要,该模型不仅根据数据自行推断主题数目,还描绘了社交语料主题演化过程中“富者更富”的现象。此外,在线辩论数据作为民意舆论的重要载体,也存在摘要的需求。用户可能只会参与部分辩论,使得辩论数据中存在大量缺失项。其稀疏性使得特征选择变得困难。本文提出一种基于集成学习的话题选择方案,根据不同群体的属性,对所有话题进行摘要,提出一个能够显著区分群体党派的话题子集,即为该群体的关注热点。本文分别为社交网络语料中带标签的语料数据和在线辩论数据提出了各自的摘要方法,并通过实验证明了方法的有效性。