话题发现（topic detection,TD），理学-计算机科学技术-人工智能-自然语言处理-文本挖掘-话题检测与跟踪，检测和组织系统预先未知的话题。又称话题检测。话题检测任务必须在缺乏话题信息的情况下构造话题的检测模型，用来检测和识别所有的话题，并根据这一模型检测陆续到达的文本流，从中发现最新的话题；同时还需要根据已经识别出的话题，收集与其相关的后续报道。除了传统的新闻领域，话题发现研究在社交媒体领域也获得了广泛的应用，比如微博中用户的兴趣挖掘、论坛中的新话题检测、微博标签推荐等。大部分关于话题检测的早期工作都是基于统计、聚类的方法。2002年，加州大学伯克利分校的研究人员提出了潜在狄利克雷分配（LDA）。以LDA为代表的主题模型可以对词语、话题和文档进行有效的建模，基于主题模型的方法被迅速引入了TDT任务，取得了一批研究成果，提出了许多基于主题模型或改进主题模型的话题检测和跟踪方法。比如基于时间的LDA、关联社交网络用户兴趣的LDA、关联趋势的LDA，以及结合地理位置信息的LDA。