随着信息技术的飞速增长,网络全球化给人们带来的好处也愈加丰富,大量的英文文本携带着众多重要信息出现在种类繁多的资源当中,这些海量文本信息数据具有深度挖掘的价值,对于社会发展有着非常重要的意义。为了使得信息能够更准确地被捕捉,文本挖掘技术应运而生,这其中聚类算法在过滤信息和整合文本等方面具有很好的应用前景。通过对这些网络信息数据进行合理适当地聚类,可以更好地抓住当前世界的发展动态,掌握最新的发展趋势。但是英文文本具有维度高、特征稀疏、同义词多等特点,在使用现有的文本特征提取模型和文本聚类算法进行研究分析时,通常无法学习到文本词语之间的关联性以及上下文语义之间的延续性,进而造成了文本聚类精度和效率较低的问题。本文针对解决文本特征稀疏问题,改善文本聚类效果,对文本的特征提取模型和聚类算法进行了改进与提高,主要工作如下:1.提出一种基于Word2vec模型改进传统卷积神经网络的文本聚类算法。该算法使用网络中的英文新闻数据集作为实验数据,利用Word2vec模型学习文本词语之间隐含的语义联系,将文本转换成原始词向量的表达形式。接着通过增加空洞卷积层以及调整卷积核个数改进卷积神经网络的方法对原始词向量进行特征提取,有效增大了特征提取过程中的感受野,得到更具有代表性和低维的文本特征向量。最后使用优化后K-means聚类算法实现对文本特征的聚类分析。通过实验论证了该算法的有效性和优越性。2.提出一种结合ECA注意力机制的LSTM-CNN文本特征提取算法对文本特征向量进行提取。该算法首先在LSTM网络中利用门控措施控制神经网络的输出,保留住那些需要长时间记忆的信息特征,摒弃那些不需要传递的信息特征。接着通过添加ECA注意力机制赋予关键文本特征更高的影响力权重进而突出它们的表达作用。其中使用的一维稀疏矩阵代替了传统注意力机制中的全连接模型,大幅度地降低了网络中的相关计算参数,同时也避免了传统注意力机制中因为维度缩减对特征所产生的不必要预测。最后经过卷积神经网络进行二次特征提取后,使用结合RWMD相似度距离的K-means聚类算法对所提算法进行聚类研究。经过实验论证,聚类效果得到了有效的提高。