我相信您要使用的算法称为潜在狄利克雷分配 (LDA) 模型。该模型旨在揭示文档语料库中的主题。

Scikit learn 有一个实现。

他们甚至有一个教程，教你如何提取主题。本教程还描述了非负矩阵分解 (NNMF) 作为提取主题的方法。我不能保证这个算法，因为我没有亲自使用过它（与我之前使用过的 LDA 相反），但从他们的教程 NNMF 似乎确实给出了合理的结果。

使用余弦相似度将帮助您对最相似的推文进行分组，但它不会为您提供它们的主题。哪个可能是你想要的？这真的很难说，因为只有你知道你应该如何让系统运行。不幸的是，这并不能帮助您弄清楚趋势是什么，并且您需要进行一些繁重的后期处理，以使您使用的任何算法都能吐出对您有用的东西。

祝你好运！

正如@Ryan 所提到的，LDA 是一种可行的方法，但我不确定它是否会在长度基本限制为 140 个字符的文档上提供可靠的结果。我过去曾在新闻文章的摘要上尝试过，结果好坏参半。另一种想法可能是在使用哈希标签作为类时测试监督模型（如 SVM 或 KNN）的性能？

顺便说一句，如果您致力于 LDA，请查看 python 中的 gensim 和 LDAviz 包。