莫 溢，刘盛华，刘 悦，程学旗

(中国科学院 计算技术研究所，北京 100190)

1 引言

随着Web2.0的发展和信息传播手段的进步，微博这种以短文本形式出现的信息得到了迅猛发展，逐渐成为一种社会新媒体。2011年上半年，我国微博用户数量从6 311万快速增长到1.95亿[1]，Twitter的注册用户总数已经超过三亿。自2010年8月以来，相比于传统搜索引擎，人们更愿意在社会媒体上花更多时间，微博成为了人们日常生活不可缺少的部分，以及实时信息的重要获取媒介。微博中的博文或推文(Tweets)，本文统一称为微博信息，包含了丰富多样的话题，涉及政治、经济、军事、金融、生活、娱乐等各个领域。微博信息的实时性和时效性，给人们的生活带来便利的同时，也因其更新的速度远远地超越了人们的利用效率。以新浪微博为例，一般当关注人数超过几百以后，用户浏览信息的速度已经赶不上信息产生的速度。此外，随着移动智能终端技术的不断发展，人们更愿意在移动终端上使用社会媒体。而移动终端每次浏览信息更少，因此从大量微博信息中根据所有用户感兴趣的话题即时筛选，越来越引起学术界和工业界的广泛关注。TREC 2011新增的微博任务，就将给定话题的微博信息筛选列入了其备选任务之一。

如何根据给定话题筛选微博信息，可以借助于文本分类的技术。针对传统长篇文档分类的研究取得了长足的发展，并已经广泛应用于业界。然而由于微博信息篇幅极短、包含的信息和特征少等特点，传统的文本分类技术不再适用，尚没有成熟的理论和技术。……