目前,现有的搜索引擎尽管采用了各种方法来提高检索结果的精度(Precision),检索结果中仍然包含了与用户查询请求不相关的文档,虽然经过了相关度排序,相关文档和不相关文档仍然相互混杂,给用户带来了负担.为了帮助Web用户从搜索引擎所返回的大量文档片断中筛选出自己所需要的文档,将搜索引擎返回结果(Snippets)进行聚类(Clustering),将其分成若干个簇类(Clusters),同一簇类内文档相关度尽可能的大,不同簇类间文档相关度尽可能的小,这样将大大缩小用户所需浏览的结果数量,从而缩短用户查询所需要的时间.该文在对搜索引擎检索结果聚类过程研究分析的基础上,对从特征抽取、索引模型的建立、相似性的计算到聚类结果的形成等环节都做了分析简化与改进,给出了一个适合于中文信息处理的利用关键短语为特征项的基于相似性密度的快速聚类方法BSDFC(Based-on Similarity Density Fast Clustering).在此方法中首先根据检索结果的上下文单词之间的关联性提出了一种适合中文信息处理的关键短语(Key-phrase)特征抽取方法,将关键短语作为检索结果的属性特征项.其中提出了短语的互信息、单个词汇的独立语义能力的概念;然后首次利用检索结果的标题、Url以及文档片断三部分所含信息计算返回结果之间的相似性,并将检索结果以及它们之间的相似性关系映射到无向图;最后根据无向图中每个点的相似性密度形成基类,通过合并基类最终得到聚类结果.在聚类的过程中提出了基类的独立性系数和被收容性系数等概念.在未来工作趋势中,还给出了将聚类与智能信息服务代理Agent共同运用于信息检索服务系统中的一个工作流程计划模型.