在当前的Web3.0时代,随着微信、微博等新兴社交软件的出现,越来越多的人开始通过互联网表达他们的主观想法。一些热点问题在此类社交媒体中的传播速度比现实生活中的报纸杂志要快的多。作为网络舆论的重要组成部分,热门话题往往与微博紧密联系。微博上对不同事件、商品和公众人物的评论往往主导舆论的方向,此外,有关部门的决策往往受到公众意见和行为的影响。与普通文本不同,微博短文本具有稀疏性和高维性的特点。如何从微博上检测当前热门话题显得尤为重要,在此背景下,本文对微博短文本的话题识别方法做了进一步研究。传统的微博话题识别方法主要利用词频特征进行特征提取,然后使用聚类算法进行文本聚类,往往忽略了文本中词与词之间潜在的语义关系,在微博短文本话题识别方面表现不佳。本文通过分析传统的微博文本的特征提取与聚类算法的特点,提出了一种基于词向量与关键词提取微博话题识别方法,主要工作如下:(1)针对采用传统词频特征进行文本聚类后效果欠佳的问题,本文通过使用连续词袋模型CBOW(Continuous Bag-Of-Words Model)来提取微博文本的词的语义特征,得到微博文本的词向量,对于每条微博中的词向量进行平均、归一化后得到句子向量。然后通过单遍聚类Single-pass算法和K均值聚类算法进行实验分析,使用词向量语义特征与传统的TF-IDF算法提取的词频特征相比,在准确率和轮廓系数方面有一定的提升。(2)在微博话题表示方面,本文综合单遍聚类算法在和K均值算法的优点,引入图排序算法Text Rank对单遍聚类的聚类结果进行关键词提取,并与K均值聚类后得到的簇中心词汇利用相似度进行共现分析,得到能够表示微博话题的词汇。通过实验分析,对比传统的主题模型LDA(Latent Dirichlet Allocation)得到的主题词汇,该方案提取出的词汇更能准确的表示微博话题。