1、面對大規(guī)模的、高維的文本數(shù)據(jù)，如何建立有效的、可擴(kuò)展的文本聚類算法是數(shù)據(jù)挖掘領(lǐng)域的研究熱點。針對這些問題，本文對文本聚類分析所涉及的若干問題進(jìn)行了較深入的研究，主要包括如下幾個方面： 提出了一種基于投影尋蹤的文本聚類新算法，該方法利用遺傳算法尋找最優(yōu)投影方向，將文本特征空間投影到一維空間上，從而以直觀的方式顯示出數(shù)據(jù)的結(jié)構(gòu)特征，實現(xiàn)文本聚類分析的可視化。 針對文本特征向量維數(shù)高和k-means等方法需要預(yù)先確定聚類數(shù)的問

2、題。提出了基于LSA、CI、RP及NMF的RPCL文本聚類算法，先運用LSA等方法對文本特征矩陣進(jìn)行降維處理，再運用RPCL算法進(jìn)行文本聚類，這些新方法不僅可以有效地降維，還可克服k-means等方法需要預(yù)先確定聚類數(shù)的困難。 基于向量空間模型，提出了一種基于雙詞關(guān)聯(lián)的文本特征選擇新模型，這種模型在向量空間模型的基礎(chǔ)上，增加了文本的雙詞關(guān)聯(lián)信息，使得向量空間模型中所包含的文本特征信息更加豐富、更加準(zhǔn)確，結(jié)合隱含語義分析方法降維后

3、，不僅有效地降低了維數(shù)，還進(jìn)一步減少噪聲凸現(xiàn)文本的語義特征，從而提高文本挖掘的質(zhì)量。 基于文檔標(biāo)引圖特征模型，提出了一種新的基于短語的相似度計算方法，并采用變換函數(shù)對文檔相似度值進(jìn)行調(diào)整以使其獲得了更好的可區(qū)分特性，從而更加有利于文本的聚類分析、分類等處理。 將基于后綴樹的聚類方法用于中文文本聚類中，這種方法將文本看成是一些短語的集合，通過后綴表達(dá)文本的相似關(guān)系，實現(xiàn)文本聚類。這種方法可以解決多主題的文本聚類問題，并克服