文本聚类是聚类分析领域的一个重要研究分支,是聚类方法在文本处理领域的应用。针对大规模高维的文本数据,如何实施有效的文本聚类算法是数据挖掘领域的研究热点。文本数据的特殊性,即文本形式上的非结构化,使得文本具有高维性和稀疏性的特点。近义词和多义词问题也是文本数据特有的自然语言现象。这些问题使文本聚类具有很高的时间复杂度,并干扰了聚类算法的准确性,使得文本聚类的性能急剧下降。首先,本文采用潜在语义索引和遗传算法相结合达到消除上述问题的目的。潜在语义索引中的奇异值分解技术将原始特征空间转化到相应较小的潜在语义空间上,这样就可以消除词语用法的多样性和词语使用的随意性。遗传算法优化特征选取,可以在无先验知识的情况下对特征向量进一步降维,从而降低聚类复杂度。其次,在文本聚类算法的研究中,本文提出一种基于可变长染色体编码遗传算法的K-中心聚类算法。由于K-均值算法对孤立点敏感,所以本文采用基本的K-中心聚类算法。K-中心算法同样需要事先确定k值,而聚类结果对k值依赖性很大。采用可变长染色体编码的遗传算法进行聚类,使得聚类算法不会受限于初始种群的好坏。最后,通过仿真实验证明了采用遗传算法进行降维的优越性,并且,通过对比实验分析并证明了本文所提的改进算法的有效性,得出改进算法优于其它算法的结论。