短文本是互联网中常见的内容形式,如社交媒体文本、广告关键字、观点评论、网页标题、搜索查询等。社交媒体的短文本在线聚类是指对社交媒体的短文本流式数据进行实时增量聚类,有利于海量新闻数据的分类整理和自动摘要,对舆情分析、灾难预警和事件检测等有重要意义。社交媒体短文本以文本流的形式快速产生,通常数据量十分庞大。同时社交媒体文本具有表述不规范、存在大量错误、文本内容简短等特点。传统文本聚类方法从词本身角度构建特征进行聚类,无法应用于高噪声、高稀疏性的社交媒体短文本聚类,同时也缺乏对流式文本数据聚类的解决方案。为此,本文主要从短文本相似度度量和在线聚类方法两个方面开展研究,主要贡献概括如下两个方面:(1)提出了多属性融合的社交媒体短文本相似度度量方法。该方法针对社交媒体文本长度短、信息匮乏的数据特点,作者利用词性识别技术和命名实体识别技术丰富和扩展了传统的向量空间模型,为了弥补向量空间模型在处理复杂语义上的不足,作者利用主题模型开发了一套短文本主题向量推断技术,用以识别文本中的相关词汇之间的联系。同时,利用社交媒体平台上的实体、时间、地理位置信息等其他信息,补充事件要素。最后把三种方法有机组合,组合方法在短文本相似度评价任务上准确率高于传统的文本相似度评价方法。(2)提出了基于标签传播的在线聚类方法BatchLPA。该方法针对传统的流式数据聚类方法SinglePass事件召回率偏低、参数设置复杂的缺点,与SinglePass不同,BatchLPA不再是简单的把新文本加入最相似的簇,而是保留新文本与所有簇的相似度网络,再使用简洁快速的社团划分方法标签传播算法,对相似度网络中的簇和文本进行划分和聚合。这种巧妙的方式间接的对历史数据以极小的代价进行了第二次处理,减少了信息的损失。实验证明,BatchLPA不仅簇的质量令人满意,而且簇的数量比SinglePass更加合理,算法性能对参数的依赖性更弱。