文本聚类是文本挖掘领域的重要组成部分。本文从武汉市民留言数据量大、缺乏对市民诉求类型的归纳总结的实际背景出发,对市民留言进行词向量训练、关键词提取,最后将留言文本聚类,总结出留言中反映的民生问题。首先,本文采集了近年来1 060 200条留言数据作为语料库,选用Word2vec模型在语料库上进行训练,得到词的向量化表示。从词向量的结果来看,语义相近的词,词向量之间的余弦距离更近;同时,词向量缓解了One-Hot变量带来的维度灾难、向量稀疏、无法表示文本语法与语义信息的问题,为后续工作的推进提供了良好支撑。接下来对留言数据进行关键词提取工作,利用关键词提炼出留言的信息。本文对无监督和有监督的方法都做了实践与改进。无监督方面,本文发现鉴于留言文本的特殊性,存在一些套话以及地方名词,它们的特点是词频大且信息有限,对Text Rank提取结果产生了干扰,因此本文通过设置文档频率和差异系数的阈值在语料库中挖掘出这部分词汇,作为普通停用词表的补充,在文本预处理阶段过滤掉这部分词汇后,Text Rank提取结果有了一定程度的提升。对于有监督的方法,本文将关键词提取转变为二分类问题,人工标注出关键词,利用词本身性质、位置特征、词与留言以及词与语料的交互特征构建特征,利用Light GBM进行训练,最终测试集上的AUC值达到0.776,准确率和召回率在0.65以上,取得了比较好的效果。最后,对留言文本进行聚类工作。对留言文本提取关键词后,将每篇留言的关键词的词向量利用TF-IDF值加权构成留言的文档向量,采用K-Means++算法对留言进行聚类,通过肘部法则确定类别数为5。轮廓系数是对类别的内聚度和类间的分离度的度量,一般越接近1,说明聚类效果越好。选取轮廓系数作为聚类性能的评价指标,并且对比Text Rank和Light GBM提取关键词对聚类效果的影响,Light GBM提取关键词后进行聚类,轮廓系数相较于Text Rank提升了20.37%。然后,对每个类别以词为基本单位,将距离类别中心最近的词作为该类别的特征词提取出来,归纳总结出每个类别市民留言中出现的关键词汇,根据这些词汇总结出市民的诉求类型。结果表明,文本聚类挖掘出留言中市民的主要诉求类型,为准确地反映民生问题,让政府相关部门及时了解民情,有针对性的处理、改善民生问题提供了参考依据,提升了政府受理人员的工作效率以及民众的幸福感。