由于网络信息数量太大,与一个话题相关的信息往往孤立地分散在很多不同的地方并且出现在不同的时间,仅仅通过这些孤立的信息,人们对某些事件难以做到全面的把握。话题检测与跟踪(TDT)技术可以帮助人们把分散的信息有效地汇集并组织起来,从整体上了解一个事件的全部细节以及该事件与其它事件之间的关系。话题跟踪是话题检测与跟踪任务中的一个子任务,话题跟踪就是要检测并组织关于某个已知话题的新闻报道,倾向性跟踪的任务就是对报道的立场作出判断。 本文主要研究了话题跟踪和倾向性跟踪的相关内容。在借鉴国内外关于话题跟踪研究的先进技术的同时,也对话题的自身特点进行了有益的探索。考虑到事件主题的迁移和分化对跟踪性能的影响,本文利用了事件框架、报道扩充和权重调整等多种策略来提高话题跟踪的性能。进一步对话题立场倾向性进行了研究,提出了话题立场倾向性跟踪算法。本文中的话题立场是指简单观点,即第三方客体对某一事件的态度,分为正态度和负态度。本文利用了从知网管理系统导出后的知识词典,基于知网事件类中的情感体系和动态角色框架,提出了填充动态角色框架的方法,并依据建立的立场概念库和报道提供的信息结构、句子之间的逻辑关系等对报道进行了倾向性跟踪,从而在语篇情感计算角度实现了对话题相关信息的组织。 在此基础上,本文构建了一个面向战争领域的话题跟踪系统模型,引入了知网这个语义资源,实现了话题跟踪和报道倾向性跟踪,试验结果表明本文提出的研究方法是有效的。