得益于互联网的飞速发展,社交网络应用平台已经成为最大的舆情发酵中心,产生了大量反映社会舆论倾向的数据,这些数据文本立场明确、网络组织结构离散、内容特征稀疏,而现有舆情相关研究一般聚焦于文本情感、网络结构或用户属性。本文从立场群体出发,展开热点话题提取、文本立场检测和群体挖掘三方面研究以呈现舆情全貌,主要研究成果如下:第一、热点话题提取方法研究。现有方法不是操作流程繁琐,聚类与话题词提取任务分离,就是求解复杂无法并行计算。本文提出基于神经主题模型的聚类方法,在变分自动编码器的基础上,结合词向量,以无监督的形式联合建模主题词提取和聚类任务,可同时输出文章类别以及各主题类别的主题词。比其父模型在主题词提取性能上有明显提升,且生成的同一类别文本向量更聚集。第二、文本立场检测方法研究。针对社交短文本特征稀疏、新词多、文本中未包含目标话题、立场与文本情绪不相关以及话题多样且多变等问题,设计了基于协同注意力与一致性学习的立场检测模型,首先通过引入RoBERTa获取文本编码,其次使用协同注意力机制增强短文本与目标话题序列之间的联系,最后运用一致性约束,让模型学习对所有话题立场分类都适用的本质特征。本模型仅使用一个分类器来同时预测多个话题,在NLPCC2016微博立场检测任务的公开数据集上取得了最新结果Favg为78.69%,超出原最佳方法近6%。第三、群体挖掘方法研究。将社交网络上的群体挖掘问题抽象建模为多属性视图节点聚类问题。为了应对复杂多样的网络结构,设计了一种基于多属性视图的深度聚类模型,首先根据内容相似的节点构建出特征图,与拓扑图一并输入,通过三层注意力机制自适应提取不同属性视图下的拓扑与节点自身内容特征,并从嵌入学习方向、扭曲程度、空间干扰程度三方面监督指导节点嵌入学习。综合实验表明,该方法学习到的嵌入更适用于聚类任务,且可以应对关系稀疏的节点,在多属性和单属性视图的四个开源数据集上同时取得了最新结果,与各数据集上的最佳基线方法相比,准确率平均提升了6%。最后基于上述三个算法,设计并实现了基于话题立场的群体挖掘原型系统,该系统可以提取并展示日常热点话题,生成话题演化脉络,自动识别统计网民对话题的立场倾向比例,展示持相同立场的群体挖掘结果,以辅助舆情管控。