社会事件是指发生在特定地点和特定时间的特定行为，它由许多随时间推移的子事件组成。随着互联网的快速发展，出现越来越多的社会媒体网站，用户可以非常方便地在这些网站上分享其想法、图片、帖子和其他相关活动。因此，当一个流行事件发生在我们周围时，它可以在不同社会媒体网站中快速地进行传播，同时会产生大量的多媒体数据。用户上传的大部分与事件相关的多媒体内容都与某些特定的话题相关，如果对这些数据进行人工识别和聚类来获得真实场景中事件的整个主题演变过程，将是非常耗时的。因此，一个社会事件分析的通用框架是非常重要和必要的，它能够及时地了解社会事件随时间演变的发展趋势。
然而，由于社会事件数据来自不同的网站，具有跨平台、多模态、大规模和噪声大等属性，进行社会事件分析的研究非常具有挑战性。本文的研究目标是设计一个通用的社会事件分析框架来解决上述几个问题，并针对社会事件表示、检测、跟踪和演变分析任务，构建一个有效鲁棒的社会事件分析框架。在提出的框架中，我们针对每个任务设计了具体的模型，详细来说，本文的主要贡献体现在如下5个方面：

1. 社会事件表示的目的是从大量媒体数据中抽取有效的特征，得到语义层面的多模态事件表示。针对社会多媒体数据多模态和跨平台特性，我们提出一种基于非参数贝叶斯字典学习模型的多模态跨平台协同学习事件表示方法。该方法能够充分利用多模态跨平台的数据源，在事件表示过程中进行互相补充和互相促进。
2. 社会事件检测的目的是从大规模的社会媒体数据自动地挖掘和识别有意义的社会事件。针对大规模社会媒体数据的监督属性，我们提出了一种新颖的提升多模态有监督潜在狄利克雷分布模型，该模型在boosting框架中引入有监督主题模型，能够适合大规模数据的分析。而且，提出的方法能够联合利用多媒体数据的多模态信息和监督信息，用于社会事件分析。
3. 社会事件跟踪的目的是在时序性社会事件数据中跟踪多个社会事件。如何建模时序性多模态数据以及避免跟踪过程中模型漂移是事件跟踪过程中的两个难点。我们提出了一种新颖的在线多模态多专家学习方法来建模时序性多模态社会事件数据。而且，提出的方法采用了一种新颖的多专家最小化恢复方案，并允许模型剔除不满意的模型并更新当前最有效的模型，这样可以有效地解决跟踪模型漂移问题，提高跟踪精度。
4. 社会事件演变分析的目的是从时序性多模态事件数据集来获得整个社会事件的演变过程，以及得到随时间推移的事件摘要细节。为了实现这个目标，我们提出了一种新颖的多模态事件主题模型，该模型可以高效地建模多模态媒体数据，并且可以区分视觉代表性主题和非视觉代表性主题。为了将该模型应用于社会事件演变分析中，本文采用一种新颖的增量学习策略，其可以随时间获得社会事件的时序性文本和视觉主题，从而帮助理解社会事件。
5. 细粒度社会事件分析的目的是从多个社会媒体源进行社会事件的细粒度主题和观点挖掘。为了实现这个目标，我们提出了一种新颖的多模态多视角主题观点挖掘方法，该方法能够同时有效地考虑多模态属性和多视角属性来进行多个数据源的主题和观点学习。而且，该方法能够从所有数据源中发现多模态数据的共同主题，总结出每个特定主题的相似和不同之处，而且能在不同数据源学习的主题中自动挖掘多视角观点。