简单文本聚类教程：从自动分组到主题复核

聚类首先把每条文本转换为可比较的数值表示，再根据相似程度分组。短文本方式更关注词语权重，适合评论、开放题和较短反馈；长文本方式会形成句子级表示，适合上下文更完整的段落。两种方式最终都把相近文本归入同一簇。

每个簇的关键词来自该组文本中更有代表性的词语，用来帮助用户概括主题。系统还会选择离簇中心较近的代表性文本，并保留最多三条示例。关键词只是命名线索，不等同于已经确定的主题名称。

自动分类数会在可用范围内比较不同分法的轮廓系数，并选择得分较高的一项。手动分类数界面允许 1 到 40，但实际至少为 2，并且不能超过有效文本数量减 1。分类数过大时，容易出现只有一条文本的小组。

预处理会影响文本之间的相似关系。自定义字典可以保留业务词，停用词和词性过滤可以减少无关特征，分词模式会改变词语边界。完全重复文本还可以先移除，避免某一条重复内容对聚类中心产生过大影响。

适用文档

用户反馈、评论和问卷开放题适合使用短文本方式。每条内容最好表达一个相对完整的问题或观点。只有“很好”“不行”这类极短表达时，向量区分度通常不足，分组结果容易受个别词影响。

访谈片段和较长段落可以使用长文本方式。材料应按语义片段拆分，每条不宜同时包含多个无关议题。若一条文本同时讨论价格、物流和售后，它可能落入任何一个相关簇，增加主题边界的模糊程度。

样本量会影响质量指标。报告方法说明提示，少于约 50 条时，轮廓系数和类间相似度容易波动。小样本仍可用于演示和初步探索，但不宜把一次聚类结果直接当作稳定分类体系。

专有名词较多的材料可以补充自定义字典。若常见套话占据关键词，可使用停用词或词性过滤。预处理调整后应重新运行，并比较关键词、示例句和三项指标是否同时改善。

使用步骤

第一步：整理分析单位。让每条文本围绕一个相对明确的观点或问题，删除空白内容；完全重复内容较多时开启重复文本移除。

第二步：选择短文本或长文本方式。评论、开放题和短反馈优先使用短文本方式；较完整的段落或长反馈使用长文本方式。

第三步：决定分类数。不确定主题数量时先开启自动选择；已有编码框架时手动设置，但分类数应明显小于有效文本数量。

第四步：调整预处理。按需使用自定义字典、停用词、智能词汇识别、分词模式和词性过滤。每次只改一个主要设置，便于判断差异来自哪里。

第五步：先看聚类概览和三类质量指标。确认实际分类数和有效状态，再按“轮廓系数越高、戴维斯-布尔丁指数越低、卡林斯基-哈拉巴斯指数越高”的方向综合判断。

第六步：查看规模、散点、热力图和逐簇详情。找出超大组、单条组和相似度过高的簇，最后展开关键词、示例文本和代表性片段确认主题是否一致。

参数解析与对比示例

工具页提供的主要配置如下。

配置一：未知主题数量。开启自动选择分类数，使用短文本方式，其他预处理保持默认。适合先建立基线，再根据关键词和代表文本判断主题是否可读。

配置二：已有三类业务框架。关闭自动选择，把手动分类数设为 3。适合明确要对照产品、物流、客服等既有口径的材料。

配置三：重复和套话较多。开启重复文本移除，补充停用词；如果专有名词被拆开，再加入自定义字典。预处理目标是改善文本表示，不是追求某一个指标单独变好。

案例分析

案例一：固定三类的用户反馈。

背景：准备 18 条反馈，电池续航、物流配送和客服售后各 6 条。每条只围绕一个主要议题，并采用相同分词预处理。

配置：短文本方式，关闭自动选择，手动分类数设为 3，不移除重复文本。

结果：实际得到 6 / 6 / 6 三组。三组关键词分别以“续航、电池、充电”“物流、快递、包裹”“客服、售后、处理”为主。轮廓系数为 0.0858，戴维斯-布尔丁指数为 2.1567，卡林斯基-哈拉巴斯指数为 2.2151。

结论：关键词和规模符合预设的三类结构，但轮廓系数仍低，不能因为分组数量整齐就判定质量良好。18 条样本只适合演示报告读法，仍需查看代表文本。

案例二：自动选择与过度分组对比。

背景：使用同一批 18 条反馈，比较自动选择和手动设为 5 类的差异。

配置：第一次开启自动选择，候选范围为 2 到 5 类；第二次关闭自动选择并手动设为 5 类。

结果：自动比较时，2、3、4、5 类的轮廓系数依次为 0.0576、0.0858、0.0694、-0.0031，最终选择 3 类。手动设为 5 类后，规模变为 6 / 7 / 1 / 3 / 1，轮廓系数为 0.0558，卡林斯基-哈拉巴斯指数降为 1.6332，同时出现两个单条小组。

结论：增加分类数没有带来更清晰的结构，反而把少数文本拆成孤立小组。自动结果仍要与业务预期对照，但可作为手动分类数的起点。