社會網絡，如微博和Twitter，已經成為數十億人關注事件的重要平臺。人們不僅關注所發生的事情，更關注事件的演化。因此，監控社交網絡中事件的發展是至關重要的。在新聞文章和短文本（社交網絡中的文本）中有一些挖掘事件演化的研究。由于短文的形式比新聞文章短，適用于新聞文章的方法不能直接應用于社交網絡。一些應用于短文本的方法不考慮語義信息，有些方法無法發現長期跨度事件的演化，特別是中間有間斷的事件。鑒于此，我們提出了一種非參數的方法來發現事件演化（故事情節）。首先使用貝葉斯模型測量短文本的語義相關性。其次，使用基于嵌入表示的算法來生成長期和短期事件的故事線。我們進一步使用Dirichlet過程自動學習適當數量的主題。與其他方法相比，三個人工標記數據集的詳細實驗結果證明了我們方法的有效性。

　　社會網絡已經成為人們分享和傳播新聞的主流平臺。社會網絡每天都會產生大量的用戶產生內容（User-Generated Contents）。對于UGC 流，人們很容易感到不知所措。因此迫切需要從社會網絡自動生成事件的演化。

　　目前有挖掘事件演化的相關研究。這些研究可大致分成兩類。一類是基于詞相似度的方法。Pei 等人提取用基于子圖的增量追蹤框架追蹤事件演化。該方法用Jaccard 相似度作為文本相似度的度量方式。詞相似度基于文本重合的詞越多，文本越相似的假設。這種假設在現實中有可能不成立。很多時候文本的相似度依賴于潛在的語義關聯，而不是表面的詞重合度。為彌補詞相似度的不足，另一類基于隱式語義相似度的方法被提出。Kalyanam 等人用非負矩陣分解（NMF）捕捉事件隨著時間的變化。該方法只能發現相鄰時刻的事件的演化，不能發現長期跨度的事件演化。Zhou 等人提出一個無監督的貝葉斯模型（DSDM）提取故事情節的結構化表示和演化模式。DSDM 和NMF 捕捉文檔級別的詞共線模式。因為短文本中文檔級別詞共線的稀疏性，這些方法不能直接用于短文本中。

　　為解決上述方法存在的不足。我們提出一個非參數的方法構造社會網絡中的事件演化。首先，我們

　　從微博中檢測子事件。然后，我們提出一個非參數的方法提取子事件的隱式語義信息。最后我們基于子

　　事件的隱式語義信息生成事件演化。本文的主要貢獻如下所示：

　　我們提出一個非參數化的概念圖模型，Biterm Topic Model with Dirichlet Process （BTMDP），提取子事件的語義信息。

　　我們提出基于子事件語義信息的故事情節生成算法（LineGen）。

　　通過在三個數據集上的實驗證明我們方法較已有方法的有效性。

　　本文的其余部分組織如下。首先，我們介紹相關工作。然后，我們介紹我們的方法。隨之，我們展示實驗與結果。最后，我們總結提出的方法并展望未來的工作。