随着互联网的不断发展,社交网络平台也随之蓬勃发展。社交网络是信息获取和传播的主要平台,用户可依托平台对各种事件自由地表达观点并交流,但是这些海量的信息错综复杂的交织在一起,无法直观获取潜在价值,因此研究社交网络中的内容具有重大意义。通过研究内容进而分析用户行为,可以有效的进行舆情监控,为用户提供个性化推荐等。热点事件的出现均伴随众多的参与者,用户表达的观点复杂多样,若不能及时做出舆论引导或将导致严重的损失。本文研究基于社交网络内容展开。针对海量推文信息难以处理、不易发现热点事件的问题,首先基于统计学方法在时间维度分析推文的传播规律,并在海量推文内容中分析热点话题,挖掘用户感兴趣的热点事件,分析热点事件的持续时间并反向验证推文的传播规律;针对难以发现推文内容间存在的隐含关系问题,生成基于热点事件的内容关系网络模型并以关系图的形式展示,可更直观地挖掘影响力较大的推文及用户;针对未能对用户推文所表达观点做出有效分类的问题,提出针对热点话题的观点分类模型,可对推文内容做出有效分类。最终将上述工作内容设计并实现可视化系统,通过该系统可及时对热点事件做出舆论应对及管控措施。本文的主要研究工作如下:（1）提出了基于当日最大关键词热度的热点事件发现方法。使用基于前缀字典的无监督分词算法对推文内容做分词处理,统计分词结果进一步完善停用词字典,综合停用词字典与当日最大关键词热度对分词结果做双重过滤,将实验结果在时间维度上生成事件热度图,通过验证,实验结果与现实事件相吻合。（2）提出针对社交数据文本观点分类的BERT-CNN模型。由于BERT模型提取文本局部特征信息能力较弱,CNN网络多卷积核结构可很好地弥补BERT的不足。故在词嵌入层BERT末端引入CNN网络,构建BERT-CNN模型,在真实数据集下与多个分类模型对比实验,进而验证BERT-CNN模型在该数据集下表现最优。（3）提出了一种内容关系网络的生成模型。将推文作为可视化节点,推文关系与关键词关系作为节点连线,在关键词关系的基础上计算推文之间文本内容相似度,用内容相似度衡量推文之间内容关系强弱,并在可视化图像上有所展示,为内容关系网络可视化提供了一种思路。（4）独立设计并开发B/S结构的前后端分离可视化系统。对推特社交数据做了数据库设计,同时对数据表进行优化,大大降低检索时间,前端提供响应式页面,并在Echarts基础上二次开发,新增可视化结果支持人机交互功能。系统提供众多可视化接口,集成实验室多名同学的研究成果,提供可视化服务。