在大数据时代下,各领域的数据呈现出了爆炸式的增长。从海量数据中获取有价值的信息是近年来各领域学者不断研究的课题。同时,随着人们生活水平的提高,汽车逐渐进入千家万户。汽车用户的数量不断增多,促使国内各大汽车厂商提高自身汽车产品的性能,来提高企业在汽车市场中的核心竞争力。因此,收集汽车用户对汽车的讨论方向,把握相关科研工作者对汽车的关注重点,对汽车厂商改进产品研发方案、捕捉汽车产品优化方向具有重要作用。基于此,本文主要实现面向汽车领域的热点话题发现。所作的创新工作包括以下三个方面。(1)提出了基于汽车专利文本的建模。收集汽车专利文本数据集,并针对汽车专利文本的特征,对专利标题、专利摘要等数据进行建模,保留专利文本中的专业术语和技术信息,为后续的实体识别和热点发现做数据准备;(2)提出了改进BiLSTM-CRF的实体识别框架。结合BERT预训练语言模型的大规模语义表示能力、BiLSTM深度学习模型的上下文信息建模能力和CRF机器学习模型的输出序列标注能力进行汽车领域的实体识别;(3)提出了改进的加权词语相似度计算方法。通过TFIDF模型对文档集进行关键词提取,利用改进的加权词语相似度算法计算实体识别结果与所提取关键词之间的相似度,最终实现汽车领域的热点发现。经过在数据集上的实体识别对比实验和对热点发现结果的分析,有效验证了所提出算法的有效性,也为相关企业改进产品性能、把握进一步研发方向提供了一定的参考意见。