随着互联网技术飞速发展和网络信息爆炸式增长,社交工具智能化和便携化,导致大量信息以短文本形式出现。例如微博评论、手机短信、聊天软件和自动问答系统。短文本相似度的计算对于挖掘和处理超大规模短文本数据有着不可或缺的作用,被大量用于文本分类、文本聚类、信息检索和微博用户推荐等多个领域,而算法的优劣决定着这些应用的性能。短文本相似度计算是一个复杂,多技术交叉的问题,会受诸多条件影响,例如文本表示,词项加权策略,语义关系建模和相似度算法等。通过分析传统的短文本相似度算法的缺陷,本文设计了基于距离的词项关联权重计算方法,并改进了词项间内联和外联关系,结合内外联关系得到耦合关系来建模词项间更加复杂的语义关系。此外考虑到词项强类别特征对于文章的区分性和指示性,设计了相对应的强类别特征相似度计算方法。最后综合词项耦合语义信息和强类别特征,构建了一种更加全面和合理的相似度计算方法。论文的主要工作总结如下:(1)设计了基于耦合关系的短文本相似度算法。首先考虑词项共现信息和词项间距离得到共现相关度,并以此计算词项的关联权重,然后利用词项的关联权重计算词项内联关系和外联关系。其中内联关系由词项的关联权重和广义Jaccard方法结合得到;而外联关系被定义为在外联路径图上两个词项之间的形成的路径的共享熵,共享熵越大则外联关系越强,词项间的相关性也越强。接着综合内联和外联关系来定义两个词项的耦合关系。最后提出得到改进的文本间耦合关系相似度;(2)设计了基于强类别特征的文本相似度算法。利用加类标数据来计算词项在每个类中改进的期望交叉熵并降序排列,选取每类中期望交叉熵最大的top-K个词项得到每个类别的强类别特征集合,并利用强类别特征词项的上下文信息进行语义消歧,基于文本包含每个类的强类别特征越多则越相似的想法,得到强类别特征相似度。(3)设计了基于耦合关系和强类别特征的相似度算法。在前两个算法的基础上,综合考虑了词项的耦合关系和强类别特征设计了更加高效和先进的相似度算法。为了验证算法的有效性,在DBLP数据集,20Newsgroups和搜狗语料库数据集上通过聚类任务来衡量短文本相似度计算的性能,实验结果表明本文提出的方法对比于基准方法具有更好的聚类效果。