郝秀兰，胡运发，申 情

（1.湖州师范学院 信息与工程学院，浙江 湖州313000；2.复旦大学 计算机科学与技术学院，上海200433）

网络论坛中（又称BBS）的帖子同所有的用户生成内容（User－generated Content，UGC）一样，具有以下特点：可以为不同背景、身份的用户所创建；质量参差不齐，描述语言丰富多彩——书面语、口语、网络用语等。如何对这些杂乱无章的内容进行监控是安全部门所关心的重点之一，话题识别与跟踪（Topic Detection and Tracking，TDT）是监控的有效手段之一。

话题检测与跟踪是一项针对新闻报道进行信息识别、挖掘和组织的研究［1］。话题由一个种子事件以及后续直接相关的事件或活动组成；子话题是针对其中某一事件的相关描述；事件则定义为发生于特定时间和特定地点的事情。例如，“2001年9月11日针对美国世贸和五角大楼的恐怖袭击”是话题“911”的种子事件，它与“灾后处理”、“嫌疑犯调查”和“国际社会援助”等后续相关事件构成完整的“911”话题，其中对每个真实事件的相关描述构成了该话题内的不同子话题。但是，从种子事件到“灾后处理”，话题已发生了“漂移”。

在TDT评测中，话题是由Nt个描述该话题的报道定义的。跟踪系统根据给定的Nt个报道进行训练，并对后继的新闻报道流判断出他们是否与给定的话题相关。

针对BBS的特点先提出了一个基线模型、一个解决“话题漂移”现象的改进模型、权重调节模型。从应对BBS帖子的不规范性及提高中文TDT系统的处理速度出发，提出了一种新的中文特征抽取方法。实验结果显示，该方法是有效的。……