4.4.2 相关研究及问题
（1）聚类方法
文本聚类的研究历史悠久，取得了丰硕的成果，相关聚类方法也层出不穷。目前，较为知名的文本聚类方法有划分聚类、层次聚类、基于密度的聚类（袁逸铭等，2019；刘颖莹等，2016）等。近年来，基于语义的聚类（Wei Song et al，2014；Vivek Mehta et al，2021；吴锦池等，2021；钱志森等，2019）和深度学习的聚类（饶毓和等，2020；Gianni Costa等，2021）逐渐受到关注，尤其以后者更为显著。同时也有不少混合型方法或集成聚类方法（杨玉娟等，2020；Bharti Kusum Kumari et al，2014；张颖怡等，2019；Karpagalingam Thirumoorthy et al，2021）。此外，也有一些适用于特殊场合的聚类方法，例如目前针对短文本的聚类（贺超波等，2019；Wen Aihong et al，2019；贾瑞玉等，2020）也获得了不少关注。
在上述方法中，基本都需要特征项或词支撑，并且不同的特征或特征组合效果是不同的（赵华茗等，2019；张旭等，2020），因而决定了特征选择（田夏利等，2021；Kusum Kumari Bharti et al，2016）或降维（Mohamed A.A.et al，2020；Kusum Kumari Bharti et al，2015）是聚类的一项重要的前置研究内容。对中文而言，往往离不开分词的支持（祖坤琳等，2016），相应的分词准确性问题也随之而来，最终也将影响聚类的速度、准确率和召回率。
N-Gram是一种经典的统计语言模型，目前已被广泛使用于各种各样的文本应用场合（Alessandro Cucchiarelli et al，2021；Nidal Nasser et al，2021；李超等，2018）及非文本应用场合（任卓君等，2019）。由于N-Gram的特点，可以应用于文本相似度的计算（王贤明等，2013；黄贤英等，2017）。文献（王贤明等，2015）提出了一种基于N-Gram相似度算法的文本聚类方法，该方法无须分词支持，对语言也无要求，速度和准确率可以方便地调控。其适用场景是：对准确率和速度要求较高，但对召回率要求相对较低。典型的应用如网络舆情实时热点发现。在舆情热点发现过程中，对准确率和速度的要求是必然的；热点分析要求有一定量的相关主题文档即可进行，并不要求识别得足够全面，也就意味着对该聚类的召回率并无太高要求。不过该方法在聚类阈值相对较小时，初始聚类结果较为“粗糙”，且准确性也相对稍低，可能存在着将毫不相干的内容聚到同一个类中的弊端。
（2）聚类的评估
文本聚类的评估较为困难，方法多样。例如采用专家人工评估、熵（Entropy）评估、准确率、召回率、F-score等，其中尤以准确率、召回率最为普遍，它们评估的是每个单独的聚类，且一般都尽量在这两者间取得平衡。
由于在舆情热点分析类似的应用过程中，往往会同时得到多个聚类，并且在该评估过程中，准确率的重要性远高于召回率。本文基于实际需要和便利性，拟从当前的聚类评价指标中构建综合性的评估指标。
本文的方法优势及创新点如下：
①相较于常规聚类方法，本文方法基于N-Gram，避免了很多聚类方法中的分词、特征提取等操作，同时具备语言无关性，可以轻松地通过调整阈值实现对聚类速度、聚类精细程度等的调控。
②本文方法所得初始聚类的“内聚性”强，相应的，各个初始聚类的准确率较高，因而最终聚类往往准确率也较高。
③定义了适合本文聚类方法的综合性评估指标。