随着互联网的飞速发展,网络新闻逐渐成为网络民众最为关注的信息来源。网络舆情是不可忽视的力量,它需要监控与引导。对于热门话题发现与趋势分析的研究可以及时发现社会热点话题,分析话题的趋势,有利于把握舆情走向,从而进行正确引导,维护社会稳定。本文对新闻热点话题发现及趋势分析进行了研究,主要内容包括以下几个方面:1.针对新闻文本聚类中存在的文本语义缺失、聚类精度不高的问题提出了一种改进DPC(密度峰值聚类,Density Peak Clustering)的话题聚类方法。该方法首先对新闻文本进行向量化,经过文本预处理之后使用Word2Vec计算词向量,然后根据新闻标题与正文的词频等因素提取核心词,使用核心词的词向量来表示一篇新闻文本。接着,基于加权K近邻思想提出了一种改进的密度峰值算法,在局部密度计算、初始聚类中心自动选择、离群点识别以及样本分配策略方面进行改进。最后,在8个基准数据集以及搜狐新闻数据集上进行了实验,实验结果表明提出的算法能有效提高新闻话题发现的准确度。2.针对热点话题发现困难的问题,提出了基于复合关注度模型的热点话题发现算法。从媒体关注度和用户关注度两个方面度量话题的热度,并采用基于两者的复合关注度来识别热点话题。进一步地,引入“话题指数”来描绘热点话题的发展曲线,对热点话题的发展趋势进行分析。针对生命周期阶段识别准确率不高的问题,提出了一种基于DTW(动态时间规整,Dynamic Time Warping)的热点话题生命周期阶段识别算法。在真实的新闻数据集以及50个热点话题构造的训练集与测试集上进行实验,实验结果表明提出的方法能够准确的发现热点话题,且对热点话题生命周期各个阶段识别的准确率都能达到83%以上。3.综合上述研究成果,设计并实现了新闻热点话题发现及趋势分析系统,该系统核心模块主要包括新闻数据采集、新闻预处理、热点话题发现及趋势分析、WEB展示四个模块。该系统实现了各个模块,能够及时发现热点话题并对当前所处的生命周期阶段进行识别。