权威报刊作为一个政治团体的喉舌,往往被国际媒体和国际政治研究组织视为观察当前政治团体政治发展情况的“风向标”。随着机器学习和自然语言处理技术的兴起,对权威报刊的研究逐渐从高成本的人工审阅与判断过渡到高效快捷的机器表征与预测。为了高效、准确地从权威报刊新闻中甄别出具有特殊意义的重要新闻,并基于此结果进一步发现当前政治团体可能的政策调整信号,本文在如下三个方面做出了一定的贡献:首先,本文提出了一种基于复杂网络节点中心性的头版新闻预测方法（Top NText模型）,通过新闻重要性排序解决新闻推荐问题。推荐过程本质是对新闻重要性的排序过程,为了实现新闻的重要性排序,本文引入了复杂网络以及节点中心性排序算法。在节点排序环节,本文还把H指数和Page Rank排序算法结合,给出了一种全新的中心性排序算法——H-Page Rank。实验结果表明,本文构建的新闻网络具有复杂网络的一般性质,并且使用H-Page Rank中心性的Top NText模型在新闻的Top-N排序过程中结果要明显好于其他的方法。其次,本文提出了一种基于多模态信息叠加网络的头版新闻预测方法（Stack Text模型）,通过扩展新闻特征来源提升分类效果。分类过程是根据训练样本的特征与类别的潜在联系,预测当前样本类别的过程。Stack Text模型采用加权随机采样平衡样本,缓解样本不平衡。同时,Stack Text模型引入新闻的更多类型的特征信息,并设计多模态分类模型,深度挖掘特征与类别的关系。实验结果表明,Stack Text模型中加权随机采样的模块能有效缓解新闻样本不平衡带来的负面影响,Stack Text模型能有效的解决权威报刊头版新闻二分类预测问题。最后,本文提出了一种基于权威报刊头版新闻预测的政策调整信号发现方法（PAIOL模型）,该方法揭示了头版新闻与政策调整之间的潜在关系。《人民日报》新闻数据集可以被抽象为一个有界的流式数据的数据源,使用每天的流式数据的分类结果进行概念漂移检测,用政策调整来解释数据源的概念漂移,从而发现可能的政策调整信号。实验结果表明,PAIOL模型可以有效地按天发现政策调整时段以及按年发现政策调整剧烈的年份,能够有效的发现政策调整的信号。