随着互联网新闻媒体平台的快速发展与普及,新闻数据呈爆炸式增长。对新闻数据进行分析和挖掘,提取新闻事件中的新闻线索,有助于人们快速准确地了解新闻事件的来龙去脉和演化方向。因此研究新闻事件的演化与追踪技术可以为新闻传播领域奠定良好的基础,对数据压缩、用户兴趣发现、舆情追踪等领域的发展也具有一定的研究意义,并且从新闻数据中提取新闻线索对人们的生活同样具有较好的现实意义。主题模型被广泛用于抽取和分析新闻文本中的隐含信息,并基于隐含信息实现新闻事件的演化和跟踪等应用。由于互联网上的新闻既包含长文本新闻、也包含短文本新闻,传统的主题模型很难同时兼顾在这两者上抽取主题的效果,进而影响生成新闻线索的质量。此外,新闻数据源源不断,每天都有新的新闻在各个媒体平台发布。因此,如何解决同时在长文本和短文本上抽取主题效果不佳的问题,如何抽取增量的新闻数据,以及如何生成易于理解的新闻线索,成为本文需要解决的主要问题。本文研究新闻线索的生成,主要研究内容包括以下四个方面:1、本文在IBTM（Incremental Biterm Topic Model）基础上,通过减小二元词组提取的范围,提出了既适合长文本新闻也适合短文本新闻上主题抽取的主题模型——News-IBTM模型。2、本文引入增量式吉布斯采样算法,基于News-IBTM模型从新闻数据中增量地估计主题分布和主题-词分布;3、本文利用增量式吉布斯采样估计得到的主题分布和主题-词分布,推断文档-主题分布,再利用JS散度来度量文档-主题分布的差异,提出了面向新闻事件的线索生成方法。其次,建立在人民网新闻和微博新闻数据之上的实验结果表明,无论是长文本新闻还是短文本新闻,News-IBTM在困惑度、准确率及效率上都优于现有的经典主题模型。4、基于本文提出的新闻线索生成方法,设计开发了一个Web网页版的“新闻线索生成原型系统”,该系统有文件载入、文本分词、主题建模、主题展示、主题分布展示以及新闻线索可视化功能。并且拥有跨终端、实时更新等特性。