如何快速、准确地从海量网络数据中找到有用的信息,已经成为必须面临的一个重要问题。短文本聚类作为一种信息处理方法,成为挖掘数据信息的重要手段之一。针对传统聚类算法处理具有“长尾现象”的短文本时存在特征信息不足,特征维度高,小类别信息丢失的问题和针对如何解决传统聚类算法在处理网络短文本时严重忽略短文本的外在特征导致聚类结果精度不高的问题,提出了两个不同类型的短文本聚类算法:(1)针对“长尾现象”短文本的频繁项协同剪枝迭代聚类算法(Frequent itemsets collaborative pruning iteration clustering framework,FIPC);(2)考虑短文本外在特征的基于二元异质网络与标签传播的短文本聚类算法(Short text clustering algorithm for binary heterogeneous networks and label propagation,HINLP)。主要工作如下:(1)分析总结了近年来国内外传统算法在短文本聚类领域的研究现状。分别从短文本特征扩展算法、短文本特征选择算法、短文本聚类算法三个方面对短文本聚类相关技术进行研究。(2)针对短文本聚类中的“长尾现象”,采用向量空间模型对短文本进行建模,选取TF-IDF进行空间降维。采用协同剪枝策略构建了协同剪枝聚类框架,同时结合K中心点算法提出优化算法FIPC,深度挖掘“长尾”部分小类别短文本信息,解决了传统聚类算法在具有“长尾现象”的短文本上进行聚类所面临特征维度高,小类别信息丢失的问题,提高了聚类结果的精确度。同时,基于频繁词筛选阈值逐步减小机制,避免了类簇重叠问题的发生。(3)针对传统短文本聚类算法没有结合短文本文本信息与社交网络信息,进而造成了在聚类结果中存在偏差的问题,提出了一种基于二元异质网络与标签传播的短文本聚类算法HINLP。算法在数据预处理阶段,深度挖掘短文本之间的外在特征(如:文本作者特征,文本转发特征等等)增强了短文本表示的精确度。在构建异质网络阶段,使用加权元路径精确地表示了短文本之间的相似性关系。在短文本聚类阶段,采用标签传播算法发现相同社区进行聚类,基于网络的有向加权特性,避免了标签随机性传播的问题发生。(4)通过与经典短文本聚类算法的实验比较证明,FIPC算法有效地解决了“长尾”短文本聚类中所面临的特征维度高,小类别信息丢失的问题。综合研究目前已有的短文本聚类算法以及网络社区发现算法,进行对比实验证明,提出的HINLP算法在提高短文本聚类精确度上具有很好的效果。