曹大为，贺超波，陈启买，刘 海

(1.华南师范大学 计算机学院，广州 510631； 2.仲恺农业工程学院 信息科学技术学院，广州 510225)(*通信作者电子邮箱chenqimai@scnu.edu.cn)

0 引言

近年来，随着社交网络和电子商务的快速发展，涌现了大量短文本形式的互联网内容，例如Twitter、微博、微信和在线评论等。对短文本进行聚类有着广泛的应用价值，例如可以利用用户对商品的评论推荐商品[1]，利用Twitter进行用户职业的推测[2]等。由于短文本过于简短，冗余度高，导致存在特征词提取困难和特征稀疏的问题[3]。大多数特征词在短文本中只出现一次，使得传统的基于词频(Term Frequency, TF)和词频逆向文件频率(Term Frequency-Inverse Document Frequency, TF-IDF)的聚类算法包括K-means、隐含狄利克雷分布(Latent Dirichlet Allocation, LDA)等对短文本难以有效处理，为此需要研究专门的短文本聚类算法。目前已存在一些对于短文本聚类算法的研究，其中具有代表性的工作包括：Banerjee等[4]利用维基百科的信息扩充短文本的特征，Fodeh等[5]利用本体中的语义知识来优化聚类，Efron等[6]和Tang等[7]扩充短文本以改善信息检索和聚类效果，以及Hu等[8]利用WordNet对特征词进行丰富和扩充等。近几年，随着深度学习和神经网络的发展，出现了一些基于神经网络的短文本聚类算法，例如Kim[9]提出将词向量输入进卷积神经网络进行模型训练，周飞燕等[10]提出利用动态卷积神经网络对句子的语义进行建模等。总的来说，现有的短文本聚类算法在一定程度上进行了优化，但由于需要外部知识的依赖或者需要建立复杂的神经网络处理模型，导致聚类过程过于繁杂。……