当今时代,互联网已成为人们的必备工具之一。越来越多的人通过社交媒体(如:微博、朋友圈等)分享自己身边所发生的事。因此,通过分析和挖掘社交媒体上用户发布的大量数据可以获取到许多有用的信息。本文通过分析不同源的社交媒体数据,来对当今世界正在发生事件进行分类。不同源数据存在着一个最大的问题,即数据的异构性。本文利用多源事件数据之间的关系构建一个网络拓扑图,随后使用合适的网络表示学习算法将事件关系形成的网络拓扑图的节点进行学习,从而学习到事件之间的特征。最后,将得到图中节点的向量表示,同时使用主流的机器学习方法对其进行分类。具体而言,网络拓扑图的构建是通过对多个源的社交媒体事件数据进行分析,提取事件之间通用的特征,然后使用这些特征对事件进行关系运算从而得到一个多源社交媒体事件联系的网络拓扑图。此外,网络表示学习的算法结合目前主流的网络拓扑图表示学习算法,即node2vec网络表示学习算法,SDNE网络表示学习算法以及HOPE网络表示学习算法。将这三个网络表示学习算法学习得到的向量作为基础向量,然后使用其进行组合得到一个优于单体模式的向量,最后使用stacking模型融合多个机器学习算法来对该向量进行分类。为了对本文提出的模型进行测评,我们收集了一个包含三种不同源的社交媒体数据集(Flickr-Wiki-YouTube事件数据集)并在上面进行实验。通过多个实验验证了本文提出的网络拓扑图表征学习方法、多向量组合的方式以及多模型stacking的方法的有效性。