随着网络媒体的迅猛发展以及互联网普及率的提高,互联网中随时都有大量的新闻报道产生。通常,关于同一新闻话题的众多报道分散地显示在各大新闻网站中,而且并非所有的新闻话题都会被人们关注。此外,由于互联网更加强调交互性,人们更倾向于在网络新闻平台上表达自己的看法和态度。面对网络中海量的新闻报道以及评论信息,如何将新闻网站中大量且分散的新闻报道归为各个话题,以较为集中的方式展示关于同一话题的所有新闻报道,然后筛选出热点话题并分析其极性,具有十分重要的意义。本文以真实的新闻数据为研究对象,进行热点话题发现与极性分析的研究。为了从抓取的海量新闻报道中检测出当前的热点新闻话题,本文提出了一种热点话题发现算法。由于文本聚类是话题发现的关键步骤,本文重点对文本聚类算法进行了改进,通过批处理、多向量、二次聚类等改进措施提高了话题发现的准确性。获取到各个话题之后,本文提出了一种评估话题热度的方法,用于计算各个话题的热度值并排序,从而筛选出热点话题。在热点话题发现的基础上,为了获取人们对热点话题的观点和态度,本文提出了一种基于极性词典与语义规则的极性分析方法。本文在开源情感词典的基础上,人工构建了本文的极性词典,在构建过程中考虑了修饰词、网络用语及评价对象对极性分析结果的影响。此外,本文对极性分析过程中用到的语义规则进行了归纳。之后采用极性词典与语义规则相结合的特征项抽取方法抽取评论文本中的情感特征项,并根据本文提出的极性值计算方法,得到各个热点话题的极性。最后通过应用实例对本文提出的话题发现算法和极性分析方法进行了验证,实验结果表明本文提出的改进算法是可行有效的。