科技和网络的发展为社交媒体应用的衍生提供了一定基础,进而网络媒体在人们的日常交际和获取信息等活动中担任着不可估量的角色。其中新浪微博作为社交网络媒介,热搜功能也逐渐成为人们获取每日新闻和时事热点的重要途径之一。而随着微博热搜功能日渐普及,大量的数据信息也随之涌现出来,其中生成的短文本数据隐藏着许多有用的信息。这类从社交媒体中产生的短文本数据具有数量大、文本长度短、稀疏度高、信息缺乏共享的上下文、非官方表达方式和单词共现的特点,导致使用普通的特征提取方法难以获得有用的信息,使得这类短文本分类任务变得富有挑战性。同时,国家互联网信息办公室为了“清理”网络平台的乱象,坚决地开展2021“清朗”专项“大扫除”行动。为了解决短本分类中的问题和对“清朗”专项行动的效果进行评估,本学位论文基于微博热搜数据这一真实课题进行研究,具体成果如下:（1）构建LDA和Word2vec的语料库。采用Word2Vec词向量训练方法,解决以往文本向量描述方法中存在数据缺失或为零和高维度的问题,以及运用LDA模型对词向量进行加权运算,从而构成语料库和制作数据类别标签。（2）基于LDA和Word2vec词向量扩展的CNN和Bi LSTM方法针对社交媒体领域设计一个微博热搜词条短文本分类系统。将新构成的语料库作为输入样本,搭建基于深度学习网络CNN与Bi LSTM融合的文本分类模型（WL-CNN-Bi LST M）。该模型能够有效提取微博热搜词条短文本中隐含的特征,从而实现对短文本进行主题分类。结果表明,WL-CNN-Bi LSTM模型的评价结果比卷积神经网络、长短期记忆神经网络、门控循环单元、双向长短期记忆神经网络好。（3）统计分析分类结果。具体使用核密度估计方法分析在“清朗”专项行动开展前后微博热搜主题的热度以及每个主题热度分布的动态特征和差异。结果表明在2021“清朗”专项行动开始后,即在2021年6月15日至2021年12月31日微博热搜词条内容中关于娱乐和广告主题的热度呈现下降趋势,而体育、社会、日常分享生活等主题的热度呈现上升趋势,从而说明微博热搜平台得到有效地整治,该行动具有良好的成绩。但由于微博热搜词条内容具有很强实时性特征,所以语料库可以通过连接网络更新的方式进一步优化模型。本研究在广泛使用不同的深度学习方法实验后,验证了该方法有一定的优越性,并且为新媒体短文本分类领域作出了贡献。