文本聚类是知识挖掘领域中一个非常重要的技术手段,对于文本信息挖掘、知识检索有非常重要的作用。在实际工作中,一些政府部门需要浏览大量的文字信息,根据这些信息制定相应的预案。但是有限的人力同海量的信息比起来,让人们在处理这些信息上显得力不从心。这时我们需要一种技术,能够帮助人们快速的实现文本分类工作,增加文本信息处理的效率。本文设计了一个文本聚类系统的框架,并详细分析讨论了系统中各子模块的设计和实现。本文主要在以下方面进行研究:1.传统的向量空间模型存在高维稀疏问题,针对这个问题本文设计一个关键词概念列表作为文本表示模型。本文认为准确抽取文章中的关键词即可把握文章的主旨内容,并运用某种规则计算这些关键词的权重,从而将半结构化的文本转换为结构化模型。2.以待处理的文本集为语料库,自动构建一个能作为语义支持的语义库,以文本表示模型为索引,结合原文形成一组能代表文本主题的关键句群,计算文本的表层相似性、语义相似性及词序对相似度的影响因子,将这些方法做加权和生成两文本的相似度。3.文本聚类算法上时对DBSCAN算法的改进。该方法适当调整文本聚类判别条件,能够强化簇内数据对象间的关系强度。最后基于上述设计与算法,建立一个文本聚类系统,并通过实验分析证实了本文的研究结论和推导具有可行性。