随着互联网和信息技术的不断发展,网络已经成为一种人们获取信息的重要途径。面对着互联网上产生的海量信息数据,如何从浩瀚的信息海洋中得到我们想要的信息,成为现在人们普遍关注的话题。特定话题挖掘技术是追踪技术与话题检测的实际应用,它能够从众多信息中挖掘出我们所关心的特定话题。同时,特定话题挖掘在公共安全领域有着广泛的实际应用前景。本文以公共安全为背景,设计了一种特定话题挖掘方案,能够从众多的繁杂信息中挖掘出我们想要的话题信息。本文的主要工作如下:(1)针对话题挖掘领域的相关技术进行研究学习,对文本表示,特征提取,聚类方法,分类方法,主题模型等进行了讨论对比,并对现有的技术研究进展和各方面的优缺点进行了总结。(2)将LDA(LatentDirichletAllocation,隐含狄利克雷分配)主题模型和词性分析引用到话题挖掘领域,利用词性分析,去除掉无意义的虚词,再利用LDA模型的文本主题模型,把潜在的特征知识与文本特有的词空间融合起来,再进行分类,对文本的内部语义知识进行更深层次的挖掘,两者结合起来,提高了话题挖掘的质量。(3)在 LDA 建模基础上,将 SVM(Support VectorMachine)和 KNN(K-NearestNeighbor)分别应用到特定话题挖掘的实践中,搭建实验系统进行试验,分析对比两种算法的实验效果,不断优化实验,寻找实验最佳参数。(4)提出了将SVM和KNN融合的特定话题挖掘策略。对于数据集中的每一条文本,SVM和KNN各有一个判别结果(1或者0),分别给SVM和KNN的判别结果设定阈值,计算这条文本的最终得分,如果最终得分大于所设定的阈值,将这条文本判定属于这个话题。最后通过实验验证所提算法的有效性,实验结果表明,采用多系统融合策略的结果要优于单系统。