随着互联网技术的飞速发展，社交网络成为了信息发布、信息共享的重要途径，海量的微博数据中包含着丰富的信息，记录着社会上发生的热点事件和人们的评论。如何从中挖掘出有意义的信息，理解热点事件发生的全过程，并发现其中的拐点事件显得越来越重要。　　微博包含了海量的针对各种话题的数据，微博会对每个话题跟踪，当用户点击某个话题想要了解该话题的详情时，微博返回给用户的却总是确定的几篇微博，究其原因是因为热度高的微博排在前面，从而更容易让更多用户看到，并更多地参与转发、评论和点赞，这样热度就越高，导致对事件的关注点越来越集中，而用户对于该事件内部涉及到的不同方面没有系统全面的了解。传统的对于拐点事件的检测大多是基于词频的，即统计一段时间内频繁出现的词语并进行归纳总结。但是这些方法存在一些问题，文档中出现的高频词不一定能说明有拐点事件产生，同样有些拐点事件的产生也并不会被广泛热议，或不能由几个高频词代表，不会引起词频的激增。因此，基于词频的频繁出现进行拐点事件的检测具有一定的局限性。并且现有的关于子话题的提取方法大多采用的是固定的时间粒度，但是对于不同类型的事件而言，时间粒度很难一次性选择合适。　　针对以上问题，结合主题提取和词频统计的技术，我们提出了一种交互式可视分析方法，通过对热点事件子话题演化过程进行不同粒度的展示，比较相邻时间区间子话题词分布的变化，发现关于某些子话题的拐点事件，进而利用词项共现图在微博原文中找到具体信息。其中，用户可以在交互过程中发现更优的参数配置，从而更加有效地分析拐点事件，并理解热点事件发生的全过程。在真实的数据集上进行了试验，并与传统的基于词频的方法和Leadline的方法做比较，验证了此方法的有效性。