网络中存有数量巨大的电子格式信息.这些信息包括书籍、杂志、期刊、新闻、在线数据库和广告等.网络能够给人们提供各种各样的信息,搜索引擎是辅助人们寻找有用信息的工具,而检索的效果不佳也是众所周知问题.该文主要讨论文本聚类,一种文本处理方法,它可以改善搜索引擎效果,或是用于对网络资源归类、整理,方便人们查找.聚类是一个将文本集分组的全自动处理过程<[30]>.每个组里的文本在一定方面互相接近.如果把文本内容作为聚类的基础,不同的组则与文本集不同的主题相对应.所以聚类是一个发现文本集包含内容的办法.在基于向量空间的传统模型中,人们使用词语来构造特征词空间时,没有考虑词语在文本中的重要性,而是把词语看作构成文本的符号,没有任何语义.同样,也忽略了同样的词语,出现在不同主题的文本中时,在文本中的重要性也有所差异.显然,这些信息有助于提高文档处理性能.我们提出一种方法,通过词语在文章中的不同位置给词语赋予不同的权重,来体现词语在文中的重要性,与潜在语义索引技术结合使用;在聚类过程中,使用文本主题信息,来改善聚类效果.在该文中,我们重点比较聚类模型与其他基于统计的分类模型的效果;聚类中使用潜在语义分析与未使用潜在分析的效果;强调我们所使用的潜在语义分析方法,半离散矩阵分解方法的特点.文章中分析了分类方法与聚类方法的特点与适用范围,以及如何在聚类过程中结合数理统计、机器学习等方法.