话题识别与跟踪,作为一项旨在帮助人们应对信息过载问题的研究,以新闻专线、广播、电视等新闻媒体信息流为处理对象,将语言形式的信息流分割为不同的新闻报道,监控对新话题的报道,并将涉及某个话题的报道组织起来以某种方式呈现给用户。它的研究目标主要是对网络信息流进行一定的预处理之后对报道进行切分、话题识别、话题跟踪等,在这些任务中不可避免地要用到一些数据挖掘的理论知识以及相关的算法实现,所以选取什么样的分类聚类算法,达到什么样的效果以及对结果如何评价,都是目前该领域正在研究的热点问题。　　 话题识别是话题识别与跟踪的一项子任务,聚类算法是话题识别的核心技术。本文针对话题识别的聚类算法做研究,用K-means模型作为聚类模型,并结合进化策略的文化算法作为其进化寻优机制来对算法进行设计。针对以上思路,本文主要内容如下:　　 (1)对聚类算法中用到的进化算法进行详细探讨,包括进化算法的三个主要分支遗传算法、进化规划、进化策略。通过算法比较,确定进化策略作为K-means聚类模型下的文化算法的种群空间,并对进化策略中的重要算子进行详细研究,为聚类算法设计奠定基础。　　 (2)依据文化算法的框架分别对文化算法的种群空间、信仰空间以及这两个空间中的通信协议即影响函数和接受函数进行研究,探讨各种函数的工作机制,并研究嵌入文化算法框架的进化策略种群空间。　　 (3)根据话题识别的聚类算法要求,对文化算法中的种群空间和信仰空间等进行设计,提出结合K-means算法的混合聚类算法。选取一定的语料对话题文本进行聚类实验,对实验结果进行分析,验证了提出的算法在话题识别中应用的有效性。