SSVAE：一种补充语义信息的深度变分文本聚类模型

作者：薛菁菁; 秦永彬^*; 黄瑞章; 任丽娜; 陈艳平

来源：数据分析与知识发现, 2022, 6(06): 71-83.

• 文本聚类
• 语义缺失
• 语义补充
• 深度变分推断

【目的】解决现有深度变分推断算法进行文本聚类时面临的语义缺失问题。【方法】基于现有的深度变分推断算法，设计一种补充语义信息的深度文本聚类模型（SSVAE），可以将文本语义信息补充到聚类过程中。【结果】实验结果表明，SSVAE在文本聚类过程中有效地补充了文本缺失的语义信息，与现有效果最好的深度变分推断模型以及主流的深度聚类模型相比，SSVAE的NMI指标在BBC,Reuters-1500,Abstract,Reuters-10k,20news-l这5个真实文本数据集上分别提升8.92、7.43、8.73、4.80和6.14个百分点。【局限】SSVAE在补充语义的过程中，除了补充了缺失的语义，有时也不可避免地引入一些噪声，这会造成聚类效果的微小偏差。【结论】补充语义信息的深度变分文本聚类模型SSVAE能够对文本进行更有效的聚类划分，提高聚类准确性。

• 单位
  贵州大学