近年来,随着互联网的高速发展与普及,网络社交平台得到了广泛的应用,尤其在重大新闻事件发生时,网络媒体对新闻事件的传播速度和影响范围已经超过了传统媒体。Twitter作为用户众多的流行社交平台,基于此平台信息进行的事件检测获得了广泛的研究与关注。通过分析重大事件发生时Twitter上推文内容从而智能地检测出发生了什么并及时概括对用户了解事件的原委并相应地做出反应有着积极的意义。此任务一般分为事件检测与摘要两个重要环节,首先对Twitter平台数据进行分析检测发生的事件,然后通过抽取或者生成的方法对相关事件进行概括并最终获得摘要。本文主要研究了面向Twitter数据的地震事件检测与摘要问题,即分析Twitter平台相关数据检测出所发生的事件,并对该事件以摘要的形式进行概括。其核心问题就是通过聚类进行事件检测过程中的相似度计算以及获得事件簇的摘要而对同一个事件簇内部的数据进行打分。调研分析发现,前期工作多基于统计特征如词汇特征、句法特征等来完成。随着深度学习在自然语言处理方面的普及和广泛应用,基于深度学习的事件检测与摘要也有了进一步的发展。深度学习模型不依赖人工提起特征,能够较全面地获得数据的语义表示,从而完成事件检测与摘要问题,本文的主要贡献有以下几个方面:1.分别抽取了推文数据的词汇特征、主题特征以及基于graph-of-words和k-degeneracy的权重特征,并将这些特征与BLSTM模型融合。2.构建了基于深度学习的事件检测与摘要联合训练算法框架,分别采用CNN和LSTM两种深度学习模型进行实验。实验结果表明,在事件检测与摘要的任务中,当不加任何外部特征时,LSTM模型表现整体高于CNN模型。3.在LSTM模型中推文数据的相关特征,将词汇特征追加到LSTM模型的输入部分以获得更好的分布式语义表示;将主题特征与事件检测与摘要算法框架中的聚类输出做特征融合,再将权重特征与事件检测与摘要算法框架中的摘要打分相结合以获得更合理的推文摘要得分。实验结果表明,在BLSTM模型中,加入词汇、主题以及权重特征,在事件检测与摘要的任务上都有较为显著的效果。4.将本文提出的模型在47个地震事件数据上进行实验,结果表明当将主题特征与权重特征和BLSTM融合时,事件检测与摘要两个子任务都有较好的结果。其中两个评价指标Topic Weighted Minimum Cost(minC)和ROUGE-1最优分别可以达到45.11和21.62,均高于现有的工作结果。该实验结果也证明了本文所提模型的合理性和有效性。