随着大数据时代的到来,互联网作为其载体以更加快速、便捷的方式渗入到民众的生活,扮演着越来越重要的角色。各大社交网络平台也应运而生,成为人们获取信息、发表自己观点的重要途径。社交网络承载的信息包罗万象却杂乱无章,对时事热点话题发现、舆情监测分析等文本研究带来了许多难题,不论机构还是个人,都很难从大量的信息中快速定位到所需内容。因此,通过对社交网络信息进行聚类分析来挖掘信息中蕴含的商业和军事价值具有重要意义。而不同于其他文本信息,社交网络信息绝大多数是以简洁的短文本形式出现的,传统长文本聚类方法并不适用。因此,如何快速有效的实现短文本的聚类也是文本聚类所面临的新挑战。本文针对目前短文本聚类存在的技术难点,提出了相应的解决方法。主要研究工作如下:(1)针对社交网络上不断涌现的大量网络流行语对中文分词的影响,提出基于广义后缀树的新词发现方法。在利用中科院分词系统对短文本进行分词和词性标注的基础上,制定新词词性组合规则从短文本中抽取组合词串,并构造组合词串的广义后缀树。一定程度上降低了构造树的时间、空间复杂度。提出基于词串长度特征与词串内部互信息特征的抽取方法进行新词发现,有效修正了单纯考虑词串外部结构特征或内部关联度带来的偏差,一定程度上纠正了中文分词的错误,为短文本聚类奠定基础。(2)针对短文本特征稀疏以及K-means聚类算法对初始K值、聚类中心点的选取敏感的问题,提出改进的特征词抽取方法和基于词共现的K-means聚类算法实现短文本聚类。短文本表示中结合新词的丰富含义与词语词性特征来提取短文本特征词,并抽取短文本集合的频繁词集构建词共现图,提取图中簇的个数作为K-means算法中的K值,并根据节点重要度提取各个簇的主题词作为初始聚类中心点。利用改进的短文本特征词表示模型与聚类初始值对短文本进行聚类,在解决短文本特征词稀疏难以提取的问题的同时修正了随机选取聚类初始值为结果带来的偏差。提取各个簇中贡献较大的词作为簇标签,确定每个类别的主题词,弥补了聚类完成后簇主题缺失的不足,使聚类结果更具直观性。(3)融合提出的新词发现方法与基于词共现的K-means聚类方法,设计并实现社交网络短文本聚类原型系统。该系统主要集成了读取原始数据、中文分词、新词发现、抽取特征词、提取初始聚类中心、文本聚类等功能。在系统环境下,完成对社交网络真实信息文本的聚类工作,并验证提出方法的正确性和有效性。