计算机应用

作者：程梓洋, 黄瑞章, 薛菁菁

单位：1.公共大数据国家重点实验室（贵州大学），贵阳 550025；2.贵州大学 计算机科学与技术学院，贵阳 550025

关键词：主题演化,深度动态聚类,表示学习,主题挖掘,对比学习

基金：国家自然科学基金资助项目(62066007);贵州省科技支撑计划项目（黔科合支撑［2023］一般300;黔科合支撑［2023］一般448

针对现有的深度文档聚类方法在处理动态文档数据时，文档主题随时间演化过程中存在主题混淆和对齐不准确问题，提出一种深度演化主题聚类模型（DETCM）。DETCM可以捕捉动态文档随时间演化的主题信息，结合历史主题信息与当前时间片文档特征，发掘事件主题演化脉络，生成动态文档主题表示。具体来说，为了解决主题随时间演变时的主题混淆问题，设计了基于混合编码器的主题融合学习模块，借助前置时间片的主题信息，加强当前时间片的主题区分度与特征提取。此外，还设计了一种跨时间片的动态主题继承模块，通过将不同时间片上的主题匹配对齐，有效地将历史时间片上的主题信息融入当前时间片的类簇划分过程中。这一设计使得DETCM学习主题时能够继承并借鉴历史时间片的主题信息，有效跟踪动态文本主题持续演化的过程。基于arXiv真实演化文本文档数据集的实验结果表明，相较于深度演化聚类模型DEDC-IMAE （Deep Evolutionary Document Clustering model with Instance-level Mutual Attention Enhancement）， DETCM在所有时间片上的标准化互信息（NMI）指标平均提升了3.08%（-0.37%~5.43%），验证了DETCM在动态场景中具有更好的主题演化追踪能力，能够更准确地捕捉主题的时序变化特征，实现更优的聚类性能。

来源：2026年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第1期