21世纪以来，互联网进入了迅猛发展时期，海量信息充斥在人们面前，杂乱而且繁复。如何从这些信息中查找出目标信息，是信息挖掘的研究方向。作为信息挖掘领域中的研究重点，聚类技术备受科研人员关注。
在聚类研究中，需要面对两点困难：第一、聚类数据预处理中原始类群的初始化，以及初始聚类点数目的选择存在一定难度；第二、如何将高维数据信息展示出来，存在较大问题。综合以上两点，本文使用混合主题模型求解最优主题数，作为聚类算法初始类群个数，同时生成特征空间向量，并降低特征向量的维数，作为聚类算法的初始类群，利用k-means算法进行聚类，最后展示聚类结果的分布情况。
本文的研究工作有以下几点：
（1）详细对比聚类发展的历程，描述聚类发展现状和趋势，研究现阶段聚类发展的问题和不足；
（2）详细说明聚类流程中包含的方法和理论，主要有信息预处理、信息的数学表示方法和聚类算法。通过优化算法流程，提升信息聚类效果；
（3）提出混合主题模型，深层次处理文本信息。通过文本词语的概率分布，利用LDA主题模型对文本数据进行最优主题数求解，并利用向量空间模型剔除低频词和搭建词语向量空间，借助python语言，实现利用混合主题模型优化的k-means算法。
相关实验表明，本文的算法优化方式相比于单纯的LDA主题模型，可以极大提升聚类系统的精准性，对信息内容的描述更为清晰，并且优化算法的自动化处理信息数据的效率更高。
谷歌
火狐
