随着互联网的快速发展,网络社交平台如微博、微信等每天都会产生大量的文本数据,如何从海量的文本数据中发掘出有价值的信息,已成为当下重要的研究课题。聚类分析作为常用的文本分析方法,首先将文本表示成数值向量,然后再选取合适的聚类方法进行聚类分析。文本表示受到文本中词的局部信息、主题的全局信息以及文章之间的链接信息影响,只考虑其中单个或两个因素的影响,使得文本表示的效果欠佳,进而影响后续的任务。对于海量的文本信息,需要采用并行化的存储和处理方式,目前基于Spark的重叠K-Means聚类算分对初始聚类中心敏感,多次迭代导致Master和Worker节点频繁交换数据,影响算法运行的效率和聚类结果的稳定性。本文围绕文本聚类算法展开研究,主要研究内容如下:(1)针对CLM(Collaboratively Improving Topic Discovery and Word Embeddings by Coordinating Global and Local Contexts)算法忽略了文本间的链接关系,提出了基于属性网络语义表示的文本表示方法CLMSA(Collaboratively Improving Semantic and Attribute Information by Non-Negative Matrix Tri-Factorization),将文档的链接信息、词信息以及主题信息进行融合,使得三者相互促进、共同作用,提高文本表示的效果。选取六种主流的文本表示方法并在两种真实的数据集上进行分类效果评估,实验结果表明,改进后的CLMSA算法在文本表示效果上有了一定的提升。(2)针对POKM(Parallel Overlapping K-means Cluster)算法Master和Worker节点频繁交换数据,网络开销巨大,提出了基于局部集成策略的I＿POKM(Improved Parallel Overlapping K-means Cluster)算法,极大地减少了算法的运行时间。由于I＿POKM算法对初始聚类中心敏感,因此采用并行化的主动选择策略,提出了基于主动选择的AI＿POKM(Active Improved Parallel Overlapping K-means Cluster)算法。实验结果表明,改进后的算法在两个真实数据集和四个模拟数据集上性能均优于原算法。