微博是近年出现的新型互联网信息交流平台,它具有主题分散、体量短小、文体自由等特性,它能对社会产生巨大的影响,所以信息监管部门和商业企业对基于微博信息的舆情分析都有迫切需求。由于微博的自身特点,这决定了一般的网络舆情分析技术不再满足微博的研究,对此需要做出改进和调整。随着微博的快速发展和流行,基于微博的舆情分析已经逐渐成为一个热门的研究方向。本文根据微博的特性,提出了基于词类和搭配的微博舆情文本聚类方法,文章的主要包括:(1)文章首先对舆情分析的相关技术做出综述,说明了目前数据采集的几种方法,接着阐述了文本预处理中的经典分词系统和相关的一些算法,最后对各种分词算法的优势和缺陷作出比较和分析,在这前提下介绍了本文采用的分词工具ICTCLAS及其优势。(2)文本聚类是本文研究的重点,根据前人的研究可以知道,向量空间模型(VSM)无法表示具有语义关系的词语,比如近义词和多义词等。本文利用词类模型来描述文本,该模型的词义归纳技术使用的是LDA(Latent Dirichlet Allocation)主题模型,解决了文本表示时的高维向量向低维向量转化的问题。利用文本中的词语搭配技术不仅可以明确研究主题而且可以文本间的相似度计算更加方便,本文提出了基于对数似然比和熵结合的自动抽取搭配的方法来识别词语间的搭配关系,实验表明该方法有良好性能。(3)在传统K均值文本聚类的基础上同时根据微博的特性,提出了基于词类和搭配的微博文本聚类算法,并将该算法同前人提出的基于词类的文本聚类方法以及传统K-Means算法进行大量实验对比以及分析,显示了该算法的有效性。实验证明利用词类文本聚类方法比传统文本聚类方法性能提高6.3%,而本文方法比利用词类文本聚类方法性能提升了16.8%,结果显示了本方法的有效性。