短语消息的大规模聚类研究，挺值得前端工程师看看的一篇博士论文，尤其是你在做文本、内容推荐、甚至是评论聚合时，都会碰到类似需求。里面讲了不少关于如何搞定超大文本集的聚类思路，思路清晰，还带点实战味道，挺接地气的。
大规模文本聚类的核心，就是怎么把成千上万条消息按主题自动分好类。常见的方案像KMeans、层次聚类、CURE 算法这些，文中都有提到，还列出了几个优化思路。比如用融合层次和划分的方法提升准确率，挺适合你那种消息量大、分类又不固定的场景。
你平时要是写后台管理、做内容聚合或者想搞个评论系统，建议看看这篇论文里的聚类融合算法，逻辑清楚，用法也不复杂。比如你可以先用KMeans跑初步聚类，再用系统聚类法细分，效果还不错。
哦对了，想深入点的可以看看下面几个资源，我都翻了下，讲得比较通俗：
- 融合聚类算法：层次+划分聚类混搭版，精度提升
- 系统聚类法比较：几种系统法的优缺点都列出来了
- CURE 算法实现：适合不规则形状的文本类
- 层次聚类：讲得基础，新手友好
- KMeans MapReduce 实现：大数据场景下也能搞
如果你最近正好要成堆的文本消息、或者想在前端做点智能推荐的玩法，这类聚类技术可以先拿来练练手，顺手还能优化不少你后台的逻辑。