舆情是社会民意的集中反映。网络舆情来源广泛,传播速度快,且海量多样。为了帮助政府机构、社会媒体能够在海量舆情文本中更有效率的掌握舆情发展动向,需要根据蕴含的信息对舆情文本进行准确的划分。相较于有监督方法,无监督的聚类算法不需要大量标注的数据,能在低人力成本的条件下得到相对理想的性能,是舆情划分的有效方法。近些年,融合表示学习和聚类目标的深度聚类算法得到了广泛关注并取得了出色的性能。现有的深度聚类算法都将目标关注在如何构建一个通用的框架以提升多种聚类子任务的效果,尽管这些方法在各个子任务上都取得了不错的性能,但是,他们针对特定子任务聚类的效果仍存在提升的空间。因此,本文针对文本聚类子任务,面向静态的舆情文本数据,研究以案件划分的深度聚类改进方法。由于鲜有针对舆情文本聚类任务的数据集,本文爬取、清洗了舆情文档,构建了以案件划分的舆情文本数据集。本文指出深度聚类方法面向舆情文本数据的核心挑战是短文本稀疏性、文本信息与深度聚类算法融合。因此,提出了基于表示稀疏化和实体替换的深度聚类瓶颈分析方法。一方面,为了验证短文本稀疏性对深度聚类方法的影响,本文将Reuters新闻数据集的特征表示“稀疏化”,并发现稀疏的特征表示明显降低了现有深度聚类方法的性能。另一方面,在本研究中,舆情信息是文本信息的重要组成,一个关键任务是探究舆情信息在文本中的存在形式,本文假设实体蕴含部分舆情信息,并进行验证:将舆情文本的实体短语随机等量的替换为非实体词,明显降低了现有深度聚类算法在舆情文本数据集上的性能。本文提出了基于实体集合相似度的舆情短文本特征强化方法,目标是利用实体蕴含的舆情信息强化舆情文本的特征表示,缓解舆情短文本稀疏性。该方法有两个关键思想:自复制、基于实体的相似度度量。自复制在句子级进行,随机选择文档中的一个句子,复制并添加到文档中。它克服了数据集词数量分布不均的挑战,使得不同标签的文档表示在使用欧式距离时有较好的区分度,同一标签的长文档和短文档具有更近的距离。基于实体集合的句子级相似度度量利用了实体蕴含部分舆情信息的结论,旨在利用实体进行特征选择,发现有利于聚类的信息,强化文档表示。实验表明,基于实体集合相似度的舆情短文本特征强化方法能够有效的提升多种深度聚类方法的性能。本文提出了基于主题建模的隐话题自监督方法,旨在将文档-主题信息融合在基于自编码器的深度聚类的表示学习中,指导预训练和自监督训练,降低两个阶段的不一致性,从而获得聚类友好的表示。该方法有几个关键组成部分:自编码器;文档-主题分布获取;使用文档-主题分布指导自编码器预训练;双辅助目标分布自监督训练。“自编码器”是深度聚类网络常见的组成部分,它利用无监督的重建任务,捕获输入特征的隐藏层表示。“文档-主题分布获取”利用非负矩阵分解方法,获得主题数量与簇数量一致的文档-主题分布。“使用文档-主题分布指导自编码器预训练”指结合重建任务损失和本文设计的多分类层输出与文档-主题分布间的KL散度损失,共同指导自编码器进行表示学习。“双辅助目标分布自监督训练”是指利用本文提出的由捕获的文档-主题信息计算的目标分布和深度聚类常见目标分布分别计算的损失,指导进行自监督训练。在舆情文本数据集上的实验表明,隐话题自监督方法有效的将文档-主题信息融合在基于自编码器的深度聚类的表示学习中,获得了聚类友好的表示,提升了聚类性能。在THUCNews数据集和Stackoverflow数据集进行的方法泛化性验证,证明了方法在一般的长文本、短文本数据集上都具备一定的泛化能力。最后,本文讨论了未来在本研究方向的研究工作,潜在的工作包括:研究与基于实体集合相似度的舆情短文本特征强化方法等价的网络和损失;研究与基于主题建模的隐话题自监督方法类似的,用于一般的聚类任务、或其他任务特异的聚类任务的技术。