随着5G时代的到来,网络成为了人们获取外来资讯的重要途径。人们在享受快捷信息服务的同时也面临着繁杂的网络信息带来的“选择难”问题。事件发现与跟踪技术能够帮助我们在海量的新闻信息中快速精准的识别最新事件、寻找感兴趣的话题与跟踪事件发展动态。该技术有利于企业和政府把握舆情走向,对社会和谐发展有重要作用。本课题从实际应用角度出发,以人民网和新华网上的新闻报道文本为主要研究对象,深入研究了基于Scrapy的数据获取技术、文本数据的向量化表示算法、以及异构信息网络（HIN）和Transformer机制相结合的新闻事件发现方法。能够快速预测最新报道的话题类别并发现相关事件,方便用户快速获取目标信息。首先,针对全网抓取中存在的耗时长、重复率高问题,本文设计了一款增量式的网络爬虫器,用于获取人民网和新华网数据,能够定时抓取这两个网站上的相关新闻信息,并根据地址链接进行自动去重,大大降低了采集过程中的重复性工作。其次,针对传统词频-逆文档概率算法（TF-IDF）中存在的不同关键词出现次数相同所对应的TFIDF值也可能相同问题,本文提出了一种改进后的算法A-TFIDF,通过给相同的TFIDF值加上不同的极小值,使其能够保证在不损失关键词重要性的同时保证值的唯一性。再次,针对新闻文本篇幅长短不同造成的文本向量表示难和传统的基于词频的事件发现准确率低问题,本文提出一种将Transformer机制和异构信息网络相结合的事件发现框架TRHIN＿Framework。将针对语言翻译的Transformer应用在话题预测方面。该框架首先确定新报道的话题类别,接下来利用话题词得到相关事件群并建立异构信息网络,然后通过图注意力网络（GAT）抽取高维特征,最后采用DBSCAN聚类的方式得到最终事件簇。最后,在人民网和新华网数据集上开展实验。通过进行对比实验,展示了该框架在话题预测的正确性和事件发现与追踪方面的有效性。