易混淆样本驱动的簇间分布优化短文本聚类
Confusing sample-driven inter-cluster optimization method for short text clustering
1. 中国科学院新疆理化技术研究所, 乌鲁木齐 830011
2. 中国科学院大学, 北京 100049
3. 新疆民族语音语言信息处理实验室, 乌鲁木齐 830011
摘要
短文本聚类旨在将无标签的短文本实例划分为不同的语义簇。针对该任务中易混淆样本难以有效区分以及语义相近簇间特征分布重叠的挑战。提出了一种易混淆样本驱动的簇间分布优化短文本聚类方法。该方法首先基于信息熵采样不确定性较高的样本作为易混淆样本，并选取其邻近簇样本构建候选集；随后引入大语言模型进行语义判别，构造“易混淆样本-正样本-负样本”三元组；同时，采用参数随机扰动机制为每个样本生成自身正例；最终在对比学习框架下实施簇间分布联合优化。在四个公开短文本数据集上的实验结果表明，与现有先进模型相比，所提出方法的聚类效果均有提升，平均准确率提高了5.14%，平均标准互信息提升了2.51%。分析实验的结果进一步验证了所提方法不仅显著提升了模型对簇间易混淆样本的语义辨别能力，而且有效缓解了语义相似簇间的特征分布重叠问题。
基金项目
天山英才培养计划项目(2023TSYCCX0041,2022TSYCCX0059)
新疆维吾尔自治区自然科学基金资助项目(2022D01D81,2022D01D04,2022D01B207)
新疆维吾尔自治区重点研发计划项目(2023B03024)
中国科学院青年创新促进会项目(Y2021112,Y2023118)
新疆维吾尔自治区上海合作组织科技伙伴计划及国际科技合作计划项目(2023E01019)
出版信息
DOI: 10.19734/j.issn.1001-3695.2025.03.0075
出版期卷: 《计算机应用研究》 优先出版, 2025年第42卷 第10期
发布历史
[2025-06-04] 优先出版
引用本文
恩卡尔·奴尔太, 马博, 王震, 等. 易混淆样本驱动的簇间分布优化短文本聚类 [J]. 计算机应用研究, 2025, 42 (10). (2025-06-04). https://doi.org/10.19734/j.issn.1001-3695.2025.03.0075. (Enkaer Nuertai, Ma Bo, Wang Zhen, et al. Confusing sample-driven inter-cluster optimization method for short text clustering [J]. Application Research of Computers, 2025, 42 (10). (2025-06-04). https://doi.org/10.19734/j.issn.1001-3695.2025.03.0075. )
关于期刊
- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年，是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术，及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者，读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员，各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅，所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊（北大2023年版）
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊
