王贤明，潘佳玲，胡智文

(1.温州理工学院数据科学与人工智能学院,温州 325035;2.浙江工商大学计算机与信息工程学院,杭州 310018)

1 引言

在文本挖掘领域，文本聚类是一类常见而又重要的数据挖掘手段，同时也是很多其他挖掘操作的前置工作。顾名思义，聚类即按照某些特征和规则将整个数据集分成若干组的过程，各个组内元素在某些特征方面具有较高的相似性，而组间元素则在这些特征方面具有较大的差异性，所得到的各个组即为一个聚类，也常称之为“簇”。聚类作为一种无监督的机器学习方法，无需人工对数据进行标注和训练，自动化程度高。目前已被广泛应用于计算机科学、情报学、社会学、生物学等多个领域。随着互联网的高速发展，文本聚类在Web数据处理相关方面应用尤其广泛，例如推荐系统、网络舆情[1-2]、各类文本挖掘及相关应用[3-5]。

在诸多Web相关研究领域中，网络舆情研究近年来发展很快，是一个兼具实用价值和学术价值的综合性研究领域，被学术界和政府管理部门重视，吸引了计算机科学、情报学、社会学、新闻学、统计学等多个学科研究人员投入到相关研究中。在网络舆情研究中，其中一个重要的研究方向即网络舆情热点的发现。由于网络数据的海量性，导致网络热点的发现对聚类算法的实时性要求较高，计算资源消耗也大。不过正是由于网络数据的海量性，一旦某个热点产生后，围绕该热点的大量媒体数据将迅速发布并传播开来，也就是说，由于相关热点数据非常多，无需获取其全部相关数据，而只需要获取其中一部分数据，且保证这部分数据足够“纯”,即足够分析出相关热点，这是一种典型的准确率重要性远大于召回率的情况。……