目前主流的搜索引擎都基于关键词匹配,当查询词很短时往往有大量包含查询词却实际并不相关的网页被返回。而采用有序列表方式来呈示检索结果,使得不同主题的网页混杂一起,用户不得不再次从几千甚至上万的检索结果中人工定位需要的信息。检索结果聚类技术致力于实时地将检索结果按主题整理成若干类别,并赋予每个类别一个准确可读的标签。用户可以根据标签直接定位真正感兴趣的结果集,还可以根据其它类别标签更好地了解查询词,必要时重新构造更准确的查询词等。相比一般文本聚类算法,检索结果聚类有着文本信息不全、计算速度快、类别描述准确等特殊要求。对此,本文提出了一种基于自组织特征映射(SOM)的聚类算法,该算法将SOM与潜在语义索引技术(LSI)有机地结合。利用LSI将待聚类文本及特征词表示于同一低维语义空间,然后将重新表示的文本用于SOM训练,将重新表示的特征词用于神经元标签计算,并在综合考察神经元权值和标签的基础上进行神经元合并最终形成带有准确标签描述的聚类结果。考虑到不同检索结果集类别个数差异可能较大,我们还对SOM进行了改进,使其从一个较小的网络开始,动态地增长到合适大小。神经元权值向量接近于映射于其上的文档集质心,因此当SOM神经元个数小于所要表示的类别数目时,神经元与样本的偏差之和即量化误差会偏大。据此可以确定何时需要增加神经元。LSI与SOM结合的主要优点在于减少噪声以提高聚类质量,降低维数以加快训练,并提供了一种新的标签抽取和类别生成方法。实验结果表明,我们的算法从聚类质量以及标签质量上与前人工作均有了较大改进。