文本主题聚类中,文本表示模型对信息检索、问答系统等的研究十分重要。在传统向量空间模型（VSM）的基础上,共现潜在语义向量空间模型（CLSVSM）运用共现分析理论提取、挖掘了潜在的语义信息,使文本聚类效果得到提高,但仍未充分提取。针对此问题,欲在CLSVSM的基础上,利用词语语义相似度对文本表示模型进行进一步的改进,以挖掘更多的潜在语义信息。这也就意味着提取潜在语义信息的核心步骤——词语语义相似性度量的研究至关重要。对此,文章将语义相似性度量方法进行深入的探究,为方法的合适应用提供参考。首先,本文对多种典型的语义相似性度量方法,如余弦相似度、欧氏距离、曼哈顿距离、平均距离、点互信息、语义网络等进行梳理,分类,分别从理论方面进行深入比较分析,寻求适合文本聚类领域的最优语义相似性计算方法。其次,在CLSVSM的基础上,利用点互信息计算关键词间的语义相似性,建立基于点互信息的CLSVSM;以及通过潜在语义分析对关键词权重的修正,构建语义增强的CLSVSM,改善原模型中关键词权重分配不变的现状。实验表明,点互信息的方法更加适合文本聚类领域中词语语义相似性的计算,其聚类精度相较于余弦相似度、欧氏距离、曼哈顿距离、平均距离和语义网络达到最大。虽然,利用点互信息构建的两个模型中,基于点互信息的CLSVSM的聚类效果与原CLSVSM相当,但是语义增强的CLSVSM的聚类纯度、₁F值在实验数据集中分别较CLSVSM平均提高了4.1%和7.8%,熵值降低了2.3%,充分说明了语义增强的CLSVSM的有效性,同时,也验证了语义相似性度量在文本聚类领域的重要性。