文本是一种重要的信息载体,其数量随着互联网的不断发展极速膨胀。文本聚类作为一种无监督的机器学习方法,已成为对文本信息进行有效的组织、摘要和导航的重要手段,为越来越多的科研工作者所关注。在很多文本挖掘和信息检索系统中,文本聚类发挥着越来越重要的作用。论文研究如何改进与中文文本聚类相关的若干处理过程来得到一个好的聚类结果。文本聚类相关的处理过程主要包括文本预处理、特征项选择、文本表示和聚类,它们对聚类质量起至关重要的作用。传统的文本聚类算法基于向量空间模型(VSM),该模型使用关键词作为特征项,忽略了词语间的潜在语义关系,其固有的“高维诅咒”问题成为了算法性能提升的瓶颈,这些问题极大地干扰了算法的效率。论文引入知网作为算法的背景知识库,通过将文本中的关键词映射为知网中的概念,使算法在概念集上进行,来弥补VSM存在的语义缺失问题。为提高算法性能,引入频繁项集和非重叠度的概念,使用一种新的文本集划分策略实现对原始文本集的划分。在此基础上,论文提出了一种基于频繁项集的文本聚类算法CFI。论文最后设计了多项实验对CFI算法的可行性进行分析。实验表明,通过融合知网知识库和频繁项集的概念,算法有效降低了特征空间的维数,提高了聚类准确性,并且较传统的基于频繁项的同类方法获得了更好的聚类效果。