随着互联网的发展,特别是Web2.0的到来,用户可以在各种网站上实时分享和提供各类数据。这些网站在给用户提供极大丰富选择的同时,用户不得不花费更高的时间成本在浩如烟海的数据中寻找所需要的信息。另外,随着互联网用户数量的急剧增加,微博、论坛等社交网络成为人们传播新闻、社交活动的信息传播载体,突发新闻、热点话题在微博上的传播速度很快,使得微博往往能够先于传统新闻媒体对热点事件做出反应。本文实现了面向微博数据流的实时话题发现和个性化动态推荐,为了保证其实时性和准确性,对频繁项挖掘、聚类分析和属性约简等数据流挖掘技术进行了研究,并将这些技术进行改进以适应文本数据分析的需求。主要研究工作和创新点如下:1)提出了一种在变密度数据流环境下的任意形状聚类算法VDStream。实现在线维护数据流概要信息,受噪声数据影响小;采用基于密度的聚类方法根据用户需求进行线下宏聚类,可以发现任意形状的簇;对参数不敏感;根据当前数据流的密度自动生成簇的半径,在数据流密度差异较大或密度稀疏的情况下能够精确地发现簇,提高了聚类的质量。2)提出了一种面向数据流的频繁项挖掘算法CC,能够以较高的效率寻找到频繁项;并在此基础上提出了面向微博数据流的频繁项挖掘算法CCK,能够在有限的内存中及时找到近似高频词,并且根据话题的持续时间动态调整窗口大小,实时发现热点话题和新话题。3)使用条件信息熵作为启发函数,结合卡方统计方法,在保证约简结果正确的情况下,降低了属性约简的计算复杂度,通过保存属性间观测频度矩阵作为中间变量的方法,实现了适用于动态变化数据集上的增量式属性约简。4)提出了一种基于聚类的改进协同过滤推荐算法,引入时间衰减因子强化最近被打分项目的重要性,符合用户兴趣可能会随时间而发生漂移的特点。同时,通过保存中间变量的方法,综合考虑相似用户的兴趣、话题热度和被关注用户的兴趣三方面因素,提出了一种基于话题的动态过滤推荐算法。