随着大数据时代的到来,用户对信息搜索的精确度和效率提出了更高要求,而传统的搜索引擎存在着一定的不足。聚类检索是对搜索引擎的返回结果聚类,然后将提取的标签和类簇呈现给用户。用户根据标签就可以直观地获取检索结果的总体信息,能够迅速定位自己想要查找的内容,提高了用户的查询效率。Carrot2是一个开源的聚类搜索引擎系统,它采用的聚类算法在Web检索聚类方面有很强的代表性。文章选取Carrot2采用的K-means和Lingo算法进行了深入研究,并针对算法的不足及存在问题做了一定的改进。K-means是经典的划分聚类算法,其具有简单易懂、运行速度快的优点,然而也存在着一些不足,如K值的确定、初始聚类中心的选取、易受噪音点和孤立点的影响等多个方面。文章首先结合Web检索结果的特点确定了K值并选出初始聚类中心,然后用权重法代替平均法降低了噪声数据的影响。在经过多次试验后,又发现文档的合理归类问题。文章根据Web检索结果的排名特点,改进了权值计算公式,使文档归入排名靠前的类簇中。如“华为”的检索结果中,将文档“华为手机大全”放入“手机”和“大全”的类簇中都不为错,但归入“手机”的类簇中显然更加合适。Lingo算法是基于潜在语义索引的聚类算法。本文分析了Lingo算法中影响聚类效果的因素,通过引入位置信息和词长信息对其权值计算公式进行了改进,以提高聚类的准确率。实验表明,改进后的K-means算法解决了硬聚类算法的文档合理归类问题,而且具有良好的聚类效果,标签的可读性也较高。改进的Lingo算法的准确率也有了较大提高。