马 彬，洪 宇，陆剑江，姚建民，朱巧明

（苏州大学 计算机科学与技术学院，江苏 苏州215006）

1 引言

微博是一个基于用户关系的信息分享、传播以及获取的平台，用户可以通过 WEB、WAP以及各种客户端设备构建个人社区，以最高140字的信息量发布消息，实现即时分享。相对于网页，微博具有更强的互动性和及时性；相比于传统博客，微博文本更加短小，更新更加及时、方便，另外，用户层次多样化，使得信息更加丰富、多元化。

据第三方数据统计，新浪微博注册用户数已达1.4亿，腾讯微博的注册用户也已经超过8千万，Twitter注册用户已达2亿，如此庞大的用户群每天发布数以千万计的微博文本［1］。如何在信息多样化且高速更新的动态环境下准确检测特定时间内用户关注或满足其兴趣偏好的话题信息，对面向互联网的信息处理研究及应用都具有重要的意义。

话题检测起源于1996年的话题检测与跟踪（Topic Detection and Tracking，TDT）评测会议的子任务。以新闻专线、广播、电视等媒体信息流为处理对象，将信息流中的报道归入不同的话题。话题检测关注的是新信息的发现能力，尤其侧重识别特定语义内聚且所属事件相互关联的信息集合—话题。因此，话题检测本身是一种面向实时媒体的信息组织方式，而面向微博的话题检测则在最活跃的新型语言学资源上对这一课题提出了全新的挑战。

本文在前期针对新闻媒体的话题检测工作基础上，结合微博的特点提出一种基于线索树的双层聚类话题检测方法。……