在大数据时代,互联网中包含着海量的信息,这些信息被发布到不同的信息源,如新闻网站、网络社区以及社交媒体中。其中,不同信息源中的信息在互联网中的特点也各不相同。这些信息源传播的信息已成为人们浏览互联网的重要内容,并且制造了人们生活中一个又一个热门话题。互联网中热门话题的检测对有关部门进行舆情监管起到了至关重要的作用。有时舆情监管者需要进行热门话题检测的信息源不仅来自单一信息源,还可能来自多种信息源类别,比如一个文本集中既有新闻网站的信息,也有网络社区和社交媒体的信息。现有的热门话题检测技术,主要应用于单一类型的信息源信息,并不适用于多源混合信息的热门话题检测。同时,热门话题检测技术的检测结果是一系列具有代表性的词汇,舆情管理者有时很难理解这些词汇所代表的真正意义。为了解决上述问题,本课题设计并实现了基于融合聚类的多源文本热门话题检测模型。该话题检测模型针对不同信息源之间的特征差异,设计并实现了多源文本特征融合方法,其中基于TextRank算法对长文本进行摘要提取,并且基于哈工大同义词词林对短文本进行语义拓展,以解决不同信息源之间信息的特征差异问题。另一方面,还设计并实现了基于狄利克雷混合模型的文本聚类方法,以解决特征融合后的多源文本特征依旧较稀疏的问题。不同的信息源的信息经过多源文本话题检测模型后,会得到一系列热门话题,每个热门话题用三个话题候选词来代表该热门话题的内容。本课题设计并实现了基于策略与深度学习序列模型融合的话题语义表示模型,以生成与话题候选词语义相近且通顺的话题标签,帮助舆情管理者更容易地去理解这些热门话题的真正意义。同时本课题设计并实现了多源文本热门话题检测系统,使得舆情管理者可以更方便地使用热门话题检测模型和话题语义表示模型。多源文本热门话题检测系统提供了数据源爬取、数据持久化存储以及热门话题可视化展示等功能,可以有效地帮助政府或者有关部门进行舆情引导或者干预,推动有关部门进行监管。为了验证多源文本热门话题检测模型的效果,本课题选取了复旦大学中文数据集以及新浪微博数据组成的多源文本数据集进行对比实验。实验表明,该模型的热门话题检测效果均优于参照的热门话题检测模型。同时为了验证话题语义表示模型的效果,本课题选取了双语评估替换(Bilingual Evaluation Understudy,BLEU)得分和人工评估两个维度进行对比实验。实验表明,该模型的语义表示效果均优于其他参照的语义表示模型。