社交媒体是拥有众多用户参与的新型在线媒体,近年来以推特为代表的社交媒体网站吸引了数以亿计的用户,现实社会中所发生的重大突发事件在社交媒体中会得到快速的反应与广泛的传播,因此社交媒体中包含着丰富的突发事件的相关信息。社交媒体中的事件检测方法为利用机器学习与自然语言处理等技术,从海量的社交媒体数据中寻找现实生活中所发生的突发事件的方法,有效的事件检测能让人们及时了解社会中所出现的热门事件信息,并帮助政府等机构及时应对社会事件并采取相关措施。对于现实生活中具有一定影响力的事件,事件相关的内容通常在社交媒体中会引入广泛讨论,因此现有社交媒体事件检测的一个基本思路是通过文本聚类发现事件相关的文本,再对文本聚类进行分析判断是否为突发事件。但是,现有研究存在两方面问题:1)对社交媒体的短文本流的文本聚类效果不佳;2)事件的特征提取与判定不够准确。针对以上问题,本文以通过时空信息获得更加准确事件特征的角度研究社交媒体事件检测方法,主要贡献概括为如下两方面:(1)提出基于融合相似度的在线密度聚类方法。在相似度计算方面,考虑到社交媒体中文本长度较短等特点,本文利用短文本流构建动态的单词关联空间,并基于该空间构建融合多项指标的文本相似度。在文本聚类方面,针对Single-Pass增量聚类方法效果不佳的问题,本文使用在线密度聚类方法对短文本流进行在线聚类。实验表明,本文所提出的方法在文本相似性度量与文本在线聚类等方面都取得了良好的效果。(2)提出基于地理实体的突发事件判定方法。由于现实中所发生的事件多数与地理信息有关,本文在针对文本流进行突发地理实体检测的基础上,对事件进行过滤得到真实的突发事件。在地理实体的突发性判定中,针对地理实体的频率分布具有长尾效应的特点,本文通过对数标准化将其转化为较为标准的正态分布,并通过Z分数衡量地理实体的突发性水平。对于与所检测到的突发地理实体相关联的候选事件簇,本文采用多级过滤器对其进行筛选,并提取代表推文对事件进行描述。通过在实际数据中的测试发现,该方法能够及时并准确地检测到突发事件的相关信息,取得了较好的事件检测效果。