文本聚類技術(shù)綜述

范 縝，都云程，施水才

（北京信息科技大學(xué) 計算機(jī)學(xué)院，北京 100101）

0 引言

目前，Twitter、雅虎、新浪微博、騰訊新聞、學(xué)習(xí)強(qiáng)國等互聯(lián)網(wǎng)應(yīng)用廣泛普及，文本數(shù)量激增，發(fā)掘文本中有價值的信息對研究用戶喜好具有重要意義。處理文本常用的技術(shù)包括自動化文本分類和聚類。其中，文本分類屬于有監(jiān)督學(xué)習(xí)方法，需要對文本進(jìn)行標(biāo)記，同時要對語料庫模型進(jìn)行訓(xùn)練；文本聚類（Text Clustering，TC）則屬于無監(jiān)督學(xué)習(xí)方法，無需標(biāo)記文本，只需將距離相近的文本聚類到同一個簇中［1］，因此被廣泛應(yīng)用于新聞信息聚合、垃圾郵件過濾、客戶問題分析、假新聞識別等領(lǐng)域。

為了進(jìn)一步分析文本聚類技術(shù)，本文將分別對文本聚類的流程、聚類評價標(biāo)準(zhǔn)、文本聚類數(shù)據(jù)集、文本聚類算法等方面進(jìn)行詳細(xì)介紹。

1 文本聚類流程

圖1 為文本聚類流程，具體包括待聚類文本、數(shù)據(jù)預(yù)處理、文本表示、選擇合適的文本聚類算法4 個步驟。其中，數(shù)據(jù)預(yù)處理步驟中通常使用分詞及去停用詞操作；文本表示步驟中包含特征提取、權(quán)值計算等操作。

Fig.1 Text clustering flow圖1 文本聚類流程

1.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理步驟中通常使用分詞及去停用詞操作。由于文本是一種非結(jié)構(gòu)化數(shù)據(jù)，需要先將其轉(zhuǎn)化為數(shù)字量化的結(jié)構(gòu)化數(shù)據(jù)。

在分詞過程中，中、英文文本存在明顯差異，英文文本可使用空格切分各單詞，但中文文本只能依靠分詞器［2］?，F(xiàn)階段常用的分詞器包括jieba、httpcws、盤古分詞、IKAnalyzer、Ansj、Paoding、清 華 大 學(xué) 的SEGTAG、中 科 院NLPIR 等［3］。

分詞后會進(jìn)行去停用詞操作，該操作也是數(shù)據(jù)預(yù)處理的重要環(huán)節(jié)，可提升待聚類文本特征的質(zhì)量，降低文本維度，提升文本聚類準(zhǔn)確率。目前較為常見的停用詞通常為冠詞、介詞、代詞、連詞等，在中文文本中表現(xiàn)為“這”“你”“我”“的”“就”“什么”等，在英文文本中表現(xiàn)為“the”“a”“an”“so”“what”等。

1.2 特征提取

特征提取目的是對數(shù)據(jù)集進(jìn)行降維，即從數(shù)據(jù)集中提取出代表性子集。常用的特征提取算法包括TF-IDF、Word2Vec、Doc2Vec［4］等。其中，TF-IDF［5］為一種加權(quán)計算，表示某個詞在文本中的重要性，TF 表示詞在文本中出現(xiàn)的頻率，TF 值越大，表示該詞越代表性越強(qiáng)。例如，在以“手機(jī)”為主題的文本中，“手機(jī)”為高頻詞，具有很強(qiáng)的代表性，但“的”“你”“我”等常用詞出現(xiàn)的頻率也較高。因此，僅通過TF 值無法準(zhǔn)確衡量某個詞在文本中的重要程度。為此，本文引入IDF 對詞進(jìn)行衡量，當(dāng)某個詞在當(dāng)前文本使用次數(shù)多，而在其它文本中使用較少時，IDF 的值偏大，說明該詞對當(dāng)前文本更為重要，具體數(shù)學(xué)表達(dá)式為：

其中，Wi代表第i個特征詞的重要性，Wi較大說明該特征詞為當(dāng)前文本的高頻詞，對當(dāng)前文本較為重要，但并非通用詞。此外，在使用TF-IDF 算法進(jìn)行文本特征提取時，可設(shè)置閾值W獲取所需特征詞。

然而，在實際特征提取過程中，TF-IDF 未考慮詞語語義與語境等因素造成的影響，具有一定的局限性。為了解決該問題，Church 等［6］提出利用Word2Vec、Doc2Vec 算法基于語義與語境關(guān)系來提取文本特征。

2 文本聚類評價指標(biāo)

文本聚類評價指標(biāo)包括純度（Purity）、蘭德指數(shù)（Rand Index，RI）、調(diào)整蘭德指數(shù)（Adjusted Rand Index，ARI）、準(zhǔn)確率（Precision）、召回率（Recall）、F 值（F-Score）、聚類精確度（Accuracy，AC）［7］等。

其中，準(zhǔn)確率、召回率和F 值常用于評價文本分類結(jié)果，也適用于對文本聚類結(jié)果進(jìn)行評價，具體計算公式如式（2）-式（4）。

準(zhǔn)確率P計算公式如下：

其中，Sa表示待聚類文本集合中包含文本a的集合，Sb表示聚類結(jié)果中包含文本a的集合，準(zhǔn)確率P表示聚類結(jié)果正確的百分比。

召回率R取值范圍在［0，1］區(qū)間，當(dāng)R趨近1 則說明同類數(shù)據(jù)聚到同一個簇中。計算公式如下：

F值是綜合P、R的評估指標(biāo)，當(dāng)準(zhǔn)確率P與召回率R矛盾時，可利用F值對結(jié)果進(jìn)行評價，計算公式如下：

純度是一種易于理解的評價指標(biāo)，具體計算公式如下：

其中，N為樣本總數(shù)，π={w1，w2，w3…，wk}，wi表示第i個聚類簇，C={c1，c2，c3…，ck}表示文本集合，Purity的值位于［-1，1］區(qū)間，當(dāng)該值越趨近1，代表聚類越準(zhǔn)確。

調(diào)整蘭德指數(shù)ARI 取值范圍在［-1，1］區(qū)間，當(dāng)ARI 的值趨近1，則說明同類數(shù)據(jù)聚到同一個簇中，具體計算公式如下：

其中，E[RI]為RI的期望。

蘭德指數(shù)RI將聚類定義為一系列的決策，具體計算公式如下：

其中，TP為將兩個相似文本歸入同一簇的正確決策，TN為將兩個不相似的文本歸入不同簇的正確決策，N表示文本數(shù)。

3 文本聚類數(shù)據(jù)集

數(shù)據(jù)集是驅(qū)動文本聚類快速發(fā)展的重要因素，但目前尚未形成統(tǒng)一標(biāo)準(zhǔn)的數(shù)據(jù)集，通常使用文本分類數(shù)據(jù)集進(jìn)行測評。常見的文本聚類數(shù)據(jù)集如表1 所示。其中，最具代表性且被廣泛使用的數(shù)據(jù)集為20 Newsgroup、Sougou、THUCNews［8］等。

Table 1 Common text clustering data sets表1 常見文本聚類數(shù)據(jù)集

20Newsgroup 數(shù)據(jù)集由18 828 篇文章組成，包括20 種話題，包含訓(xùn)練集與測試集，被廣泛應(yīng)用于文本分類與文本聚類；Sougou 數(shù)據(jù)集來源于Sougou Labs，包括搜狐新聞數(shù)據(jù)和全網(wǎng)新聞數(shù)據(jù)（SogouCA），涵蓋2012 年6-7 月國內(nèi)國際的體育、社會、娛樂等18 個頻道的新聞數(shù)據(jù)，其中新聞文章數(shù)量共計1 245 835 個，能夠基本滿足中文文本聚類測評；THUCNews 是清華大學(xué)開源的文本數(shù)據(jù)集，由微博RSS 頻道2005-2011 年歷史數(shù)據(jù)篩選而成，包含金融、地產(chǎn)、科學(xué)、家裝、社會新聞等14 個類別共74 萬篇新聞文本，相較于20Newsgroup 數(shù)據(jù)集和Sougou 數(shù)據(jù)集，THUCNews不僅能夠?qū)崿F(xiàn)文本聚類測評，還能提供demo 程序、運(yùn)行參數(shù)、程序接口等，受到了研究人員的廣泛使用。

4 傳統(tǒng)文本聚類算法

傳統(tǒng)文本聚類算法包括層次聚類算法、劃分聚類算法、密度聚類算法、網(wǎng)格聚類算法、模型聚類算法、圖聚類算法、模糊聚類算法［9-10］等。

4.1 層次聚類算法

層次聚類分為凝聚型層次聚類與分裂型層次聚類，此類算法的目的是將數(shù)據(jù)聚類成一顆以簇為節(jié)點的樹，分別從下向上，自上而下實現(xiàn)層次聚類［11］。常見的層次聚類算法包括BIRCH（Balanced Iterative Reducing and Clustering Using Hierarchies）算法、CURE（Clustering Using Representative）算法等。其中，BIRCH 算法基于聚類特征樹（Clustering Feature Tree，CF-Tree）進(jìn)行聚類，聚類過程中首先將樣本依次讀入建立樹結(jié)構(gòu)，然后去除異常點（例如稀疏數(shù)據(jù)）得到較優(yōu)的樹，最后根據(jù)質(zhì)心進(jìn)行聚類；CURE 算法屬于凝聚型聚類，可對大規(guī)模、多種形狀的文本數(shù)據(jù)進(jìn)行聚類，并能夠檢測離群點。

4.2 劃分聚類算法

劃分聚類的常用文本聚類算法包括K-Means、K-Medoids等，此類算法的思想是經(jīng)過數(shù)次迭代重定位將待聚類數(shù)據(jù)劃分為指定數(shù)目的簇。

K-Means 算法簡單易懂、聚類速度快、操作便捷，但也存在以下不足：①需要用戶自行指定簇的數(shù)目；②無法處理非球形等不規(guī)則數(shù)據(jù)；③對離群點（噪聲）敏感；④結(jié)果不穩(wěn)定，不同輸入順序或初始質(zhì)心的選取都會造成聚類結(jié)果不穩(wěn)定。

為了解決以上問題，Krishnapuram 等［12］提出K-Medoids 算法，相較于傳統(tǒng)K-Means 算法對噪聲的魯棒性更強(qiáng)，但運(yùn)行速度較慢，時間復(fù)雜度高，因此只適用于數(shù)據(jù)量較小的文本聚類任務(wù)。

4.3 密度聚類算法

密度聚類算法包括DBSCAN 算法、OPTICS 算法、DENCLUE 算法［13］等，此類算法認(rèn)為能夠通過待聚類數(shù)據(jù)整體分布的緊密程度來確定聚類結(jié)構(gòu)。

DBSCAN 算法聚類速度快，可用于大規(guī)模數(shù)據(jù)聚類，無需手動設(shè)定簇的個數(shù)，但該算法對參數(shù)距離閾值和鄰域樣本數(shù)閾值較為敏感，當(dāng)數(shù)據(jù)規(guī)模過大時，內(nèi)存占用大，處理時間較長；OPTICS 算法通過對數(shù)據(jù)集合中的對象進(jìn)行排序以得到有序的列表提取信息，生成數(shù)據(jù)聚類；DENCLUE 算法的思想是利用數(shù)學(xué)函數(shù)形式模擬每個數(shù)據(jù)對象，該算法在面對噪聲數(shù)據(jù)時仍具有良好的聚類效果，但對參數(shù)非常敏感。

4.4 網(wǎng)格聚類算法

網(wǎng)格聚類算法包括STING 算法、CLIQUE 算法、Wave-Cluster 算法［14］等，此類算法的思想是將數(shù)據(jù)空間劃分為網(wǎng)格單元，將對象映射到各單元中，并根據(jù)單元中對象的密度劃分不同的簇。

STING 算法將數(shù)據(jù)對象空間劃分為矩形單元，形成一個層次結(jié)構(gòu)，使用自頂向下方法刪除每層中不相關(guān)的網(wǎng)格單元，以此實現(xiàn)數(shù)據(jù)聚類，具有運(yùn)算效率高，時間復(fù)雜度低的優(yōu)點，但聚類效果常受網(wǎng)格最底層數(shù)據(jù)粒度的影響，并且容易忽略網(wǎng)絡(luò)單元間的聯(lián)系；CLIQUE 算法適用于高維數(shù)據(jù)聚類，通過設(shè)置網(wǎng)格步長和密度閾值劃分空間和密集網(wǎng)格；WaveCluster 算法以處理多維信號的方式聚類數(shù)據(jù)對象，首先將數(shù)據(jù)空間劃分為網(wǎng)格結(jié)構(gòu)，然后通過小波變換數(shù)據(jù)空間，最后在變換空間中對密集區(qū)進(jìn)行簇劃分。

4.5 模型聚類算法

模型聚類算法包括高斯混合模型（Gaussian Mixture Model，GMM）、自組織映射算法（Self Organized Maps，SOM）［15］等，此類算法的思想是為每個簇構(gòu)建一個模型，通過數(shù)據(jù)對象的分布情況計算模型參數(shù)，使用合適的模型完成聚類。

GMM 根據(jù)樣本數(shù)據(jù)概率密度函數(shù)將其劃分為獨立的簇，各個簇均根據(jù)特征混合高斯概率密度分布，基于相應(yīng)的模型實現(xiàn)數(shù)據(jù)聚類。該算法以樣本分屬于不同類別的概率來展示聚類結(jié)果，但不同初始值會導(dǎo)致聚類簇數(shù)目不一致。

SOM 算法屬于一種無監(jiān)督的神經(jīng)網(wǎng)絡(luò)算法，通過自動尋找文本的內(nèi)在規(guī)律與屬性，自適應(yīng)地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，可獲得較高質(zhì)量的聚類結(jié)果，但計算復(fù)雜度較高。

4.6 圖聚類算法

圖聚類算法包括AP（Affinity Propagation）算法、譜聚類（Spectral Clustering，SC）算法［16］等，此類算法的思想是將聚類問題通過鄰近度矩陣轉(zhuǎn)換為圖，以此劃分問題并實現(xiàn)聚類。

AP 算法將數(shù)據(jù)對象看作為各節(jié)點來構(gòu)建樣本網(wǎng)絡(luò)，通過網(wǎng)絡(luò)中的各個邊傳遞節(jié)點間的“消息”，即吸引度（Responsibility）和歸屬度（Availability），以此計算聚類中心完成聚類任務(wù)；譜聚類算法將數(shù)據(jù)看作空間中的點，點與點之間用邊相連接，距離遠(yuǎn)的點權(quán)重低，距離近的點權(quán)重高，通過切分?jǐn)?shù)據(jù)點組成的圖完成聚類任務(wù)。

4.7 模糊聚類算法

模糊聚類算法包括FCM（Fuzzy C-means）算法［17］等，此類算法的核心是利用“模糊集合理論”克服分類中的缺點，以模糊集合論為數(shù)學(xué)基礎(chǔ)實現(xiàn)聚類分析。

FCM 通過數(shù)據(jù)點的隸屬度來確定歸屬聚類簇，通過建立模糊矩陣及目標(biāo)函數(shù)迭代，構(gòu)建隸屬矩陣來確定數(shù)據(jù)所屬的類。該算法理論簡單、應(yīng)用廣泛，但對噪聲敏感，容易陷入局部最優(yōu)。

綜上所述，傳統(tǒng)的文本聚類算法各有優(yōu)缺點，表2 為常見算法間的性能比較。

Table 2 Comparison of common text clustering algorithms表2 常見文本聚類算法比較

4.8 融合聚類算法

為了優(yōu)化聚類效果，不少學(xué)者提出融合聚類算法。例如，F(xiàn)redana 等［18］提出將K-Means 融合投票機(jī)制，以解決K-Means 無法確定簇個數(shù)的問題，有效提升聚類準(zhǔn)確率。Hu 等［19］提出一種融合維基百科增強(qiáng)文本語義的文本聚類算法，在Reuters 數(shù)據(jù)集中的測評表明，該算法的聚類性能相較于傳統(tǒng)方法平均提升16.2%，但聚合型層次聚類算法在文本聚類時的合并操作是不可逆的。呂琳等［20］提出融合蟻群優(yōu)化算法，使聚合型層次聚類算法能夠更好地選擇合并點，在UCI 的3 個不同的數(shù)據(jù)集中的測評表明，該算法的聚類準(zhǔn)確率相較于傳統(tǒng)K-means 算法均存在不同程度的提升。Ai 等［21］利用粗粒度聚類融合Spark，建立兩層余弦相似性聚類模型，相較于HTD-LDA 模型在準(zhǔn)確率方面提升19.5%。李玥等［22］提出融合改進(jìn)量子粒子群優(yōu)化算法和K-Means 算法，相較于傳統(tǒng)K-Means 算法在準(zhǔn)確率、召回率及F 值方面均具有較大的提升。潘成勝等［23］為解決K-Means 局部最優(yōu)解問題，融合改進(jìn)的灰狼優(yōu)化算法提高聚類的收斂速度、尋找能力和文本聚類準(zhǔn)確率。Bezdam等［24］提出一種融合果蠅優(yōu)化的K-means 算法，解決了初始質(zhì)心隨機(jī)化的問題，在20Newsgroups 等數(shù)據(jù)集中的測試結(jié)果表示，該算法純度、準(zhǔn)確率等指標(biāo)相較于傳統(tǒng)K-means算法均存在不同程度的提升。表3 為部分融合聚類算法與傳統(tǒng)聚類算法的效果比較。

5 基于深度學(xué)習(xí)的文本聚類

5.1 聚類流程

基于深度學(xué)習(xí)的文本聚類主要包括分詞、去除停用詞、利用模型得到原始詞向量、利用神經(jīng)網(wǎng)絡(luò)等模型提取特征、文本聚類等步驟，如圖2所示。

5.2 研究現(xiàn)狀

現(xiàn)階段，深度學(xué)習(xí)已廣泛適用于圖像處理、語音處理、自然語言處理、計算機(jī)視覺等領(lǐng)域。常見的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）、長短期記憶網(wǎng)絡(luò)（Long Short Term Memory，LSTM）、雙向長短時記憶網(wǎng)絡(luò)（BiLSTM）、Transformer 等。

5.2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種具有卷積操作的前饋神經(jīng)網(wǎng)絡(luò)，由卷積層、池化層和全連接層構(gòu)成。其中，卷積層負(fù)責(zé)特征提取，利用權(quán)重矩陣與卷積核矩陣相乘得到各區(qū)域的特征，通常設(shè)置多組卷積核以獲得不同角度的特征；池化層也稱為下采樣層，主要對數(shù)據(jù)進(jìn)行降維；全連接層則輸出最后結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)特征提取示意圖如圖3所示。

劉鼎立［25］提出一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的文本聚類方法。首先，通過Word2Vec 模型訓(xùn)練得到原始特征詞向量，將該向量作為CNN 的輸入；然后，將卷積核寬度設(shè)置為詞向量的維數(shù)值以確保掃描范圍的完整性，并在卷積層中增加多個空洞率不同的卷積核，對文本特征進(jìn)行精確提??；接下來，采用最大池化思想將卷積層中的最大向量作為關(guān)鍵特征；最后，通過全連接層輸出提取的文本特征。通過在Stack Overflow 英文新聞數(shù)據(jù)集中的測試結(jié)果表明，該方法相較于TF-IDF 提取特征的K-Means 算法，在準(zhǔn)確率方面提升22.9%；相較于TF-IDF 算法僅將詞頻作為唯一的衡量標(biāo)準(zhǔn)，Word2Vec 模型能夠從語義角度提取準(zhǔn)確代表原始文本的特征向量。

Table 3 Comparison between fusion clustering algorithm and traditional clustering algorithm表3 融合聚類算法與傳統(tǒng)聚類算法的效果比較

Fig.2 Flow of text clustering based on deep learning圖2 基于深度學(xué)習(xí)文本聚類流程

Fig.3 Convolutional neural network feature extraction圖3 卷積神經(jīng)網(wǎng)絡(luò)特征提取

孫昭穎等［26］提出一種用于短文本聚類的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)框架。首先，利用Word2Vec 模型學(xué)習(xí)詞與詞之間的語義關(guān)聯(lián)，通過多維向量表示單個詞，將短文本轉(zhuǎn)化為多維向量，以此改進(jìn)CNN 的輸入；然后，構(gòu)建高度可滑動的卷積核以提高每個詞向量的準(zhǔn)確性；最后，將其合理組合成一個完整的特征向量作為短文本的全部特征。該框架改善了短文本因數(shù)據(jù)稀疏性及高維度特性導(dǎo)致文本聚類準(zhǔn)確率低、計算復(fù)雜度高等問題。通過由搜狐新聞標(biāo)題組成的數(shù)據(jù)集上的測試結(jié)果表明，該框架的F 值高于70%，而傳統(tǒng)K-Means 算法F值僅為50%左右。

賈君霞等［27］提出一種基于Doc2Vec 和卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法。首先，通過Doc2Vec 的DM 模型訓(xùn)練得到句向量，并將該向量作為CNN 的輸入；然后，計算卷積核寬度以獲取完整的句向量特征；接下來，采用最大池化思想將卷積層中最大向量作為關(guān)鍵特征；最后，通過全連接層輸出提取出的文本特征。通過搜狗新聞數(shù)據(jù)集上的測試結(jié)果表明，Doc2Vec+CNN 模型的準(zhǔn)確率為77.6%，而Doc2Vec模型的準(zhǔn)確率僅為69.4%。

5.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種用于處理序列數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)，作為特征提取工具，RNN 通過模擬神經(jīng)元的生理模式提取特征，實現(xiàn)模型層與層的相互連接。

由于在長語句應(yīng)用中RNN 會“遺忘”初始內(nèi)容信息，因此利用長短期記憶確保信息的完整性。具體的，LSTM在RNN 的基礎(chǔ)上增加了一個“門”裝置，通過控制“記憶門”與“遺忘門”實現(xiàn)上下文信息的有效存儲與更新；BiLSTM 則將前向的LSTM 與后向的LSTM 相互結(jié)合，在對詞向量進(jìn)行特征提取時效果更好，能夠獲得更多的上下文語義關(guān)系特征。

萬昊雯［28］提出一種短文本聚類模型ST-CNN。首先，利用BiLSTM 挖掘短文本前后文信息，獲得深層語義關(guān)系依賴和向量化的文本特征；然后，結(jié)合改進(jìn)CNN 模型提取更具代表性的文本低維特征。通過在微博和頭條的數(shù)據(jù)集上的測試結(jié)果表明，該模型相較于K-Means 聚類，在ARI與NMI指數(shù)方面均存在不同程度的提升。

表4 為部分基于深度學(xué)習(xí)文本聚類與傳統(tǒng)文本聚類算法的效果比較。綜上所述，基于深度學(xué)習(xí)的文本聚類方法可充分利用文本的前后文信息對詞向量進(jìn)行語義擴(kuò)展，并通過神經(jīng)網(wǎng)絡(luò)提取低維且客觀的文本特征，以提高聚類效果。

Table 4 Comparison between text clustering based on partial depth learning and traditional text clustering表4 部分基于深度學(xué)習(xí)的文本聚類與傳統(tǒng)文本聚類效果比較

6 結(jié)語

本文對文本聚類的研究背景、聚類流程、評價指標(biāo)、常用數(shù)據(jù)集和文本聚類算法進(jìn)行闡述與歸納，將文本聚類技術(shù)的發(fā)展分為以下3 個階段：①以傳統(tǒng)聚類算法K-Means為代表的文本聚類技術(shù)；②采用融合聚類算法的文本聚類技術(shù)；③基于深度學(xué)習(xí)的文本聚類技術(shù)。

在經(jīng)過這3 個階段的發(fā)展后，文本聚類技術(shù)在理論研究方面取得了顯著成效，在應(yīng)用實踐中獲得良好效果。但文本聚類技術(shù)的研究仍存在以下不足之處，有待進(jìn)一步提高和完善：尚未形成標(biāo)準(zhǔn)化數(shù)據(jù)集和評價指標(biāo)，不同研究項目所采用的數(shù)據(jù)集各不相同，難以橫向比較不同的研究成果；現(xiàn)有文本聚類算法的準(zhǔn)確率仍未超過90%，無法適用于對聚類效果要求較高的應(yīng)用場景。

目前，基于深度學(xué)習(xí)的方法在挖掘語義關(guān)系、提取文本特征、降低文本維度等方面具有明顯優(yōu)勢，但如何在此基礎(chǔ)上深入挖掘深度學(xué)習(xí)在文本聚類相關(guān)技術(shù)領(lǐng)域的潛力，將是后期首要的研究方向。