在当代互联网快速发展的背景下,人们的日常阅读方式逐渐从报纸和书籍转向网上阅读,各行各业都开始在网络上发布文章、新闻或通知等重要信息。每天在网络上会有成千上万的文章供人们阅读,类型也多种多样,网络已成为人们表达思想、交流感情、了解时事的重要平台。因此,如何从海量文本中发现潜在的热点话题,并按照话题的火热程度有序呈现给公众就具有了重要的意义。本文研究了自然语言处理中常用的聚类技术,并对k-means聚类算法的缺陷进行了改进。使用改进的k-means算法对文本进行聚类,从聚类结果中提取出关键词构建话题。最后制定了话题的热度排序策略,根据实际情况灵活设置参数,并对构建的话题进行热度排序。论文主要工作如下:1.通过对传统k-means算法优缺点的研究和分析,提出一种改进的k-means聚类算法。首先结合层次聚类算法的思想,改进了k-means算法的聚类流程,优化了初始质心的选择方法,提高了初始质心位置的合理性,及时清除了空簇。其次使用高斯核函数作为文本相似度计算方法,在高维度空间对数据进行划分。改进的算法大大提高了聚类的准确性,改善了传统k-means算法的部分缺陷。2.预处理文本,删除文本噪声,使用Jieba中文分词工具准确分割文本,并过滤文本中的停用词。使用Doc2Vec文本表示模型,尽可能地利用原文的语序信息将文本转变为向量,这在一定程度上提高了文本向量模型的准确性。使用改进后的k-means聚类算法对文本进行聚类,并展示文本聚类结果。3.对话题进行定义,使用TF-IDF算法从文本聚类结果中提取出若干关键词进行分析,筛选出代表性词语构建话题。从话题的文本总量、文本的最近发布时间、话题持续时间、最新的文本增长量、转发评论总数等方面考虑,灵活分配热度权重,对话题进行热度评估并排序。根据本文的研究,使用改进的k-means算法对文本进行聚类,可以更高效、准确地从聚类结果中总结出话题,然后使用基于话题特征和用户参与度制定的热度排序策略对得出的话题进行排序,有效地突出了受到广泛关注的热门话题。