伴随着信息技术的不断更新以及互联网的快速发展,网络中的数据呈现出了几何级的增长速度,其中社交网络及信息传播过程中积累的数据更是空前暴涨。微博作为使用广泛的大型实时在线社交平台,方便用户对自己感兴趣的事件或者话题发表意见并进行评论;与其相似的新闻网站作为信息传播中极其重要的平台,方便用户们获取国内外新闻热点。这些平台的不断发展都积累了海量的数据,对这些海量数据进行统计分析并找出数据的特征,挖掘出有价值的信息对商品、信息推荐以及舆情引导等在实际生活中的应用都具有深远的意义。研究表明,社区发现和社区演化作为分析社交网络数据的重要手段倍受青睐。在目前的相关研究中,基于文本主题同质性的社区发现及演化的研究尚未得到充分的关注。本文的主要贡献如下:1.本文提出了一种基于微博主题同质性表示的隐社区的发现算法,从而实现对微博社交网络的隐主题社区发现。首先,对微博语料库进行预处理并把每个用户发布的所有博文拼接为一个文档,并采用主题提取模型LDA来提取用户的主题特征用于刻画微博用户;接着,基于主题兴趣计算两个用户之间的同质性测度用于表示社交网络的用户关系;然后,通过无监督算法构建以主题兴趣为同质关系的社区来实现隐社交网络中的隐社区发现。最后,采用来自中文微博的数据集对隐社区的发现算法进行实验。实验结果表明,基于主题同质性表示的网络的隐社区之间的轮廓系数达到0.94,明显比采用TF-IDF向量所表示的网络更优。2.构建了时间相关的主题演化模型来挖掘出主题演化的趋势,从而对基于主题发现的社区的演化趋势进行预测。首先,从语料库采样训练子集并基于LDA模型进行主题建模;接着,对语料库按时间片划分为不同子集;然后,通过训练好的主题模型对不同时间片上的语料库子集进行分类,并计算出各个时间片上不同主题的强度来刻画主题的演化,以表征主题社区的演化。最后,采用Kaggle的新闻标题数据集来对主题社区演化算法进行验证。实验结果表明,LDA主题模型能够很好地提取文档主题,没有出现“拥挤”现象,优于LSA模型,同时也验证了本文所构建的主题演化的模型能够很好地反映主题在不同时间片上的强弱变化。