1、傳統(tǒng)的聚類算法，如k-means算法、EM算法等，都是建立在凸形分布的樣本空間上，若樣本空間不為凸，算法將會(huì)陷入局部最優(yōu)，因此不能對(duì)任意形狀分布的樣本聚類。hSync（Synchronization-Inspired Hierarchical Clustering）算法作為一種基于同步動(dòng)力學(xué)模型的聚類算法，不用對(duì)數(shù)據(jù)的全局分布做假設(shè)，可以發(fā)現(xiàn)任何形狀的簇，為求解中文文本聚類問(wèn)題提供了一個(gè)很好的選擇。
　　本文針對(duì)文本聚類問(wèn)題，在文

2、本表示模型和文本聚類算法兩個(gè)方面展開一系列的研究，主要包括以下內(nèi)容：
　?。?）分析和研究基于雙詞關(guān)聯(lián)的文本表示模型和基于詞共現(xiàn)的文本表示模型，提出了基于雙詞關(guān)聯(lián)和詞共現(xiàn)的文本混合表示模型，并設(shè)計(jì)了對(duì)應(yīng)的特征抽取方法、特征權(quán)重計(jì)算方法和文本相似度計(jì)算方法。實(shí)驗(yàn)顯示使用基于雙詞關(guān)聯(lián)和詞共現(xiàn)的文本混合表示模型求解文本聚類問(wèn)題的結(jié)果相對(duì)傳統(tǒng)向量空間模型在F-measure值方面有所提高。
　?。?）研究并改進(jìn)了hSync算法。將h

3、Sync聚類算法應(yīng)用到文本聚類中，解決了傳統(tǒng)聚類算法不能很好處理非凸形分布文本數(shù)據(jù)的問(wèn)題。并針對(duì)傳統(tǒng)hSync算法運(yùn)算效率低的問(wèn)題，使用基于?-鄰域閉包的方法判斷數(shù)據(jù)同步的趨勢(shì)，并使用不斷增大鄰域半徑增量的方法增大鄰域半徑，從而提高數(shù)據(jù)局部同步的效率，進(jìn)而提高了hSync的聚類效率。
　?。?）通過(guò)文本聚類實(shí)驗(yàn)，驗(yàn)證了基于雙詞關(guān)聯(lián)和詞共現(xiàn)的文本混合表示模型的有效性及改進(jìn)的 hSync算法的有效性。采用改進(jìn)后的文本表示模型和改進(jìn)后的