1、如今，微博平臺(tái)在實(shí)時(shí)傳播信息方面發(fā)揮了重要作用。然而，由于其具有規(guī)模大、實(shí)時(shí)性強(qiáng)和數(shù)據(jù)非結(jié)構(gòu)化的特點(diǎn)，常見的數(shù)據(jù)挖掘方法在處理它們時(shí)不再適用。為了克服傳統(tǒng)微博事件檢測(cè)與摘要方法忽視微博平臺(tái)中豐富視覺和社交信息的缺點(diǎn)，幫助人們快速掌握本質(zhì)意義的大量的微博，本文以著名社交網(wǎng)站Twitter上多個(gè)個(gè)熱點(diǎn)話題約100萬(wàn)數(shù)據(jù)作為主要研究對(duì)象，主要研究了跨模態(tài)微博事件檢測(cè)、摘要。考慮包括文本、視覺、社交、時(shí)間等多個(gè)特征，提出了基于異構(gòu)網(wǎng)絡(luò)的事件檢測(cè)

2、和摘要框架。首先在數(shù)據(jù)預(yù)處理階段，定義嚴(yán)格的過濾模式去除無意義的博文和圖片;接下來在事件檢測(cè)階段，使用異構(gòu)網(wǎng)絡(luò)模擬微博數(shù)據(jù)的異質(zhì)特性，采用后期多模態(tài)融合實(shí)體相似性模型來組合Twitter數(shù)據(jù)的異質(zhì)特征，并使用近似相似算法生成融合特征后的同構(gòu)圖。下一步在同構(gòu)相似度圖上采用改進(jìn)DBSCAN的算法，融入概率模型解決子話題分割的問題，然后根據(jù)子話題的熱度及新穎度對(duì)產(chǎn)生的聚類排序。最后，分別為話題生成文本和視覺摘要。
　　本文的貢獻(xiàn)如下:<

3、br>　　1、利用多模態(tài)信息構(gòu)建動(dòng)態(tài)異構(gòu)信息網(wǎng)絡(luò)，解決傳統(tǒng)方法不能利用微博豐富附加信息的缺點(diǎn)。利用AFF函數(shù)融合多模態(tài)特征，考慮它們的語(yǔ)義相似性和時(shí)空接近性來區(qū)分事件。從異構(gòu)網(wǎng)絡(luò)轉(zhuǎn)換為同構(gòu)網(wǎng)絡(luò)，保留關(guān)鍵信息的同時(shí)為之后的檢測(cè)和摘要簡(jiǎn)化結(jié)構(gòu)。
　　2、為了提高檢測(cè)和摘要的多樣性，減少話題分割的現(xiàn)象，在聚類階段，提出HRDBSCAN算法，在原有聚類算法的基礎(chǔ)上結(jié)合概率統(tǒng)計(jì)方法合并相似類簇;在摘要階段，對(duì)子話題摘要結(jié)果再聚類，確保每個(gè)子