社会媒体是人们彼此之间用来分享意见、见解、经验和观点的工具和平台。微博(Micro-blogs)是通过某个社会媒体——如推特(Twitter)或新浪微博——分享的不超过140个字符的文本消息。在本文中,微博特指通过推特分享的短文本消息。经过最近五年的迅猛发展,微博目前已经成为人们不可或缺的重要信息源。　　微博有如下特点:一是非结构化,二是片面、零散和随意,三是实时性强,四是噪音多。如此一来,人们很难从海量的微博中获取感兴趣的信息。本文系统研究了面向微博的信息抽取这一新任务。该任务的目标是从充满噪音的、零碎的、非结构化的微博中提取有价值的结构化的信息点,从而帮助用户有效地利用微博。这一任务可进一步分解为命名实体识别、语义角色标注、事件抽取、情感分析等子任务。　　本文重点研究前三个子任务。研究面临的主要挑战是单条微博提供的信息非常有限——这源自微博内容片面、零散、随意和充满噪音的特性。本文针对微博的特点,提出了如下三类联合推断算法(Collective inference)以克服单条微博信息的不足。　　1.基于K近邻分类器的联合推断。K近邻分类器利用标记历史中与当前输入相似的输入的输出,决定当前输入的输出。　　2.基于聚类的联合推断。第一遍进行常规的单条微博信息处理,第二遍把相似的微博聚类,并利用聚类一级的信息对第一遍的结果作细化处理。　　3.基于概率图模型的联合推断。用图模型在多条相关微博的抽取任务间建立联系,使得针对各条微博的任务间可共享信息,并同时决定多条微博的输出。　　本文把这三类算法应用到命名实体识别、语义角色标注和事件抽取这三个子任务上,均取得了比基准系统更好的成绩。本文最后介绍微博语义搜索这一具体应用。该应用基于本文讨论的各种信息抽取技术,提供了信息点分类导航和结构化搜索两类新的用户体验。