随着Twitter、微博等在线社交媒体的快速发展,短文本已经成为互联网上常见的信息形式。由于社交媒体具有便捷性、灵活性、公共性等特点,这使得公众舆论在互联网上传播迅速,公众对于信息的接收速度快。当出现一个舆论话题的时候,随着信息在社交网络中的迅速传播,一个话题会在信息的传播过程中衍生出一个或更多的新话题。对于在社交媒体话题出现的这种现象,我们提出了衍生主题的概念来描述这种信息传播过程中话题产生的变化趋势,利用主题的衍变方式来发现舆论及其衍生趋势。针对以上问题,本文首先提出了衍生主题的概念来描述我们的发现,并且结合段落向量表示和主题模型来对短文本进行主题建模,发现主题之间的衍生关系。本文从文本内容和用户之间的交互关系两个方面来研究衍生主题的情况,改进非负矩阵分解算法（NMF）来讨论主题衍生的趋势。本文的主要工作如下:（1）提出衍生主题的概念。衍生主题描述了话题传播过程中产生的话题偏移的现象,原始主题可能衍生出一个或多个主题。并将其定义为三类衍生关系:相同主题,相似衍生主题,完全衍生主题。（2）结合段落向量表示和主题模型对短文本建模。衍生主题的出现是随着时间推移所产生的,所以本文按照时间段来分析主题之间的关系。本文将短文本按照一定的时间段进行分组,采用灵活时间片的方法保证每个时间段的帖子数量相对一致。同时,本文结合了段落向量表示和主题模型,解决了短文本信息稀疏的问题。由衍生主题的定义来说,衍生主题之间通常具有相同的主题词。首先利用paragraph2vec学习短文本的段落向量表示,对短文本进行主题聚类。然后用LDA模型对生成的伪文档进行主题建模,构建主题-词概率表。（3）结合用户交互行为研究主题衍生的趋势。在社交媒体上用户转发和提及行为往往都是关于同一个主题的,但是具有相同主题的帖子也可能会具有不同的文本内容。所以,如果只考虑文本内容主题可能会忽略一些隐式的主题关系。因此,本文在发现文本内容主题的基础上考虑了用户之间的交互动作关系,即:用户之间的“提及@”,转发和回复行为,来讨论主题衍生的趋势。本文改进了非负矩阵分解算法（NMF）,帖子之间的关系由短文本主题,用户之间交互的行为（提及@,回复和转发）因素组成,将帖子-帖子关系矩阵分解为主题-帖子和主题-词矩阵,发现短文本之间的主题关系。（4）本文通过改进原来的方法成功解决了短文本的稀疏性,讨论了衍生主题的演化趋势。本文分别采用了带有时间信息的微博数据集和具有用户交互信息的推特数据集来验证所提出的方法。通过实验与LDA、BTM、NMF等主题模型方法进行了对比,取得了良好的效果并解决了短文本数据稀疏性。