随着数据挖掘技术的发展,聚类开始被用于处理现实生活中结构复杂且数据类型多样的数据集。作为一种无监督的机器学习方法,聚类不需要对数据集进行预先的训练和手工标注,因此具备较高的自动化处理能力,已经被广泛应用于互联网信息检索等领域。其中由于文本是当下所有信息的基础格式,所以文本聚类又是当下众多聚类应用场景中最为值得关注和研究的。聚类算法中的经典算法K-means,具有原理简单、易于描述等优点,因此被广泛应用。但该类算法也存在明显的缺陷:聚类的准确度和计算复杂度严重依赖于初始参数(如聚类数和聚类中心)。而在如今Web2.0时代,信息量和文本数目急剧增加,在大量实际应用场景中,数据集不仅规模大,而且一直处于动态变化过程中,所以一些必要的初始参数往往是很难提前预知和确定的。针对上述问题,本文的主要贡献与创新点如下:1.提出了一种基于最小生成树的无参数化聚类算法MNC(MST based Non-parameterized Clustering)。所谓无参数化聚类是指聚类时只需要输入待聚类的数据样本,而不需要输入其它参数。MNC算法的基本思想为:首先将待聚类数据集抽象成赋权完全图WCG(Weighted Complete Graph),其中的点代表向量,赋权边代表数据间的相似关系;然后,将WCG转换成全连通的最小生成树MST(Minimum Spanning Tree);接着利用k=2的经典K-means算法对MST边集的一维权重空间进行聚类,得到剪枝的阈值;最后,对MST进行剪枝和噪声过滤,得到的连通分量即为聚类的簇。2.将MNC算法与中文分词和TF-IDF文本表示模型等经典文本预处理技术相结合,成功利用Python语言开发出一套完整的文本聚类函数库(Py TCL,Python based Text Clustering Library)。3.采用可视化的二维随机数据集、经典UCI数据集和真实的文本数据集对MNC算法的有效性进行验证,并通过比较不同聚类算法的聚类效果,实际验证了MNC算法的高效性和Py TCL函数库的实用性。