新闻是对新近发生事实的报道,报道了当下社会所发生的一切,研究新闻文本对于人们关注社会热点的研究、经济形势的研究、社会发展状态研究等领域都有着十分重要的作用,新闻报道也是人们获取社会信息的重要信息来源。近年来,随着网络平台的兴起以及自媒体大量的出现,使得网络新闻的数量呈爆炸式增长,面对大量错综复杂的新闻,人们想要从中获取新闻热点变得越来越困难,因此从海量数据中挖掘出新闻热点也成为了当下的一个研究重点。现有的许多主题模型都是针对文本本身,从新闻内容上进行主题挖掘,这样的方式也能获取不错的新闻主题,但是在面对网络新闻时,会忽略网络新闻的即时性、互动性等特点,所挖掘的主题也易受词频影响,导致挖掘的主题不够准确,因此这样的方式应用不适用于网络新闻的主题挖掘。本文利用网络新闻特点对传统主题模型进行改进来进行主题挖掘,网络新闻的即时性,互动性,使得网络新闻一经发布就会引起许多人评论发表自己看法,与他人一起参与讨论。因此,当评论人数越多,评论量越大即认为新闻越受关注,以此作为新闻热度的衡量,本文认为热度大的新闻更容易产生新闻热点,基于此观点,将热度大的新闻和一般新闻区别开,也能减少无关新闻的影响,能更准确的挖掘出当前新闻热点。本文首先会对新闻的热度进行衡量,计算出每篇新闻的热度,让数据集中不同新闻按热度区别开,减少无关信息的影响,然后通过TextRank算法对新闻文本中每个词进行重要度排序,计算出新闻中每个词的重要程度,然后结合新闻热度进行主题挖掘,这样可以改善词频带来的影响,并将网络新闻特点融入进去,产生一个关于热度的主题挖掘模型。考虑到传统的主题模型如LDA(Latent Dirichlet Allocation)模型是基于词袋模型,没有考虑词与词之间的关系,损失了上下文语义信息,目前常见的解决方法是把词向量与主题模型得到的主题分布相结合,然后对词向量进行平均求和来计算主题向量,但此类方法的词向量和主题分布不是在同一语义空间中训练得到,使得模型解释性较差,对此,本文提出了基于LF-LDA(Latent Feature-LDA)模型和Doc2vec模型的LFH-LDA模型来进行主题挖掘,通过结合Doc2vec模型训练词向量弥补了上下文语义的缺失,也利用了LF-LDA模型能够使词向量与LDA模型在同一模型中训练主题向量,减少了信息的损失,从而能更准确的挖掘出新闻热点。本文实验通过新浪新闻的真实新闻数据对本文提出的方法进行了验证,通过主题相似度、困惑度指标以及结果分析与传统LDA模型进行对比,经过实验验证了该方法的可行性与有效性,改进后的模型,具有更好的模型拟合度,提高了主题的质量。