社交媒体平台拥有海量的用户和信息,每当现实世界有重大事件发生时,这些事件的相关信息都会被传播到社交媒体上,因此对社交媒体事件的属性信息进行挖掘就具有重大价值。社交媒体事件属性识别是通过对社交网络文本数据的分析,提取出事件的发生时间、参与的人物、发生的地理位置、事件所属的主题等信息,能够获得事件更丰富的信息。通过识别事件的属性信息,能够实现舆情监测和舆情分析,方便公共决策机构及时获取信息并进行处置。事件属性识别涉及的内容很多,本文主要针对事件主题和事件发生的位置进行识别。在现有研究中,针对主题识别的方法依赖于社交媒体的外部特征,因此在不同社交媒体平台间的可移植性较差,同时这些方法无法应用于在线的主题分类。针对地理位置识别的方法大多依赖单一的地理信息进行提取,导致信息利用不充分,同时现有的方法没有对地理信息中的噪声进行有效处理,导致地理位置提取的准确率不高。本文针对上述问题开展研究,主要贡献与创新概括为如下两方面:(1)提出了基于主题词的事件主题分类方法。本方法在分析社交媒体信息流中事件和词语关于主题分布的时变特性的基础上,在主题词提取流程中,利用滑动窗口实时计算并更新词语的主题分布,利用KL散度计算事件主题分布和词语主题分布的差异值,并利用词的KL散度值提取出事件主题词。在主题分类过程中,提取出待预测事件包含的主题词,利用基于狄利克雷-多项式共轭分布的贝叶斯推理方法实时计算和更新事件主题的概率分布。本方法不使用社交媒体的外部特征,并实时计算事件主题概率分布,因此具有可移植性并可以实现在线主题分类。(2)提出了基于多源信息融合的事件地理位置提取方法。本方法分析了推文文本、推特上下文和用户个人信息的地理属性特点,提出了利用上述三种地理属性信息构建基本概率分配的方法,其中对用户个人信息信源使用K-Means聚类算法进行噪声点剔除,并通过正规化消除人口密度分布对基本概率分配的影响。在地点预测过程中,利用Dempster合成公式对基本概率分配进行融合,并使用信度函数和似然度函数计算出每个地点的概率区间,最后通过该概率区间判决事件的地理位置。通过与现有事件定位方法相比,证明了本方法具有较高的预测准确率。