随着网络信息的爆炸式增长,如何帮助用户快速准确地定位所需信息就成了一个十分紧要的问题。通过对搜索引擎查询结果进行在线聚类可以解决这个问题。然而由于查询结果在线聚类所具有实时性,标签可读性等特点,传统的聚类算法无法满足应用要求;另一方面当前大部分研究基于网页摘要聚类,聚类精度有待提高,因此本文在实验室通用搜索引擎平台上研究并设计了一种有效地基于网页全文的聚类算法。本文通过对频繁项集及其在聚类算法中应用的研究,提出了一种基于最大频繁项集的搜索引擎查询结果在线聚类算法(Maximal Frequent Itemsets Clustering, MFIC)。MFIC通过采用动态最小支持度和只挖掘最大频繁项集,突破了频繁项集在在线聚类方面应用的瓶颈,围绕频繁项集完成网页聚类,相似度计算,标签生成等工作。本文的研究内容主要包括以下几个方面:(1)结合查询结果聚类的应用需要,进行网页预处理,采用动态设定频繁项集挖掘中的最小支持度,挖掘最大频繁项集,提高了频繁项集可用性;(2)设计并实现了基于最大频繁项集的网页在线聚类系统,依据频繁项集覆盖网页集合的关系,频繁项集包含词集合关系进行相似度计算,簇的生成,合并等过程;(3)设计标签的提取算法,结合频繁项集和词语顺序出现关系挖掘短语性标签,改进了基于频繁项集聚类的标签生成效果;(4)通过与其它聚类算法的实验对比,验证了本文提出的聚类方法在网页聚类方面的优越性。本系统已成功应用在本实验中心构建的智能化网络信息检索平台中。实验结果表明,本文提出的方法能够满足在线聚类的要求,在时间复杂度和聚类精度上都达到了很好的预期效果。