خوشه بندی متن، روشی برای جداسازی اطلاعات از دادگان متنی است که میتواند متن را براساس موضوع و احساس طبقه بندی کند که اخیرا مورد توجه بسیار ی قرار گرفته است. روشهای مبتنی برخوشهبندی عمی ق به دلیل دقت بالا، در میان تکنیکهای خوشهبندی از اهمیت ویژهای برخوردار هستند. این روشها شامل دو جزء اصلی کاهش ابعاد و خوشه بندی میباشند. بسیاری از روشهای پیش ین عمیق، از خودرمزگذار برای کاهش ابعاد استفاده میکردند. این روشها قادر به کاهش ابعاد براساس ساختارهای منیفولد نیستند و در آنها نمونه هایی که شبیه یکدیگر هستند لزوماً در ابعاد پایین نیز در کنار یکدیگر قرار نمیگیرند. در این مقاله، ما یک روش خوشهبندی متن عمیق را براساس یک منیفولد محلی در لایه خودرمزگذار (DCTMA) توسعه میدهیم که از ماتریسهای شباهت متعدد برای در نظر گرفتن جهت، اندازه و معنا استفاده میکند، به طوری که ماتریس شباهت نهایی از میانگین این ماتریسها بهدست می آید. ماتریس بهدست آمده به لایه بازنمایی پنهان در خودرمزگذار اضافه میشود. هدف اصلی DCTMA تولید بازنمایی های مشابه برای نمونه های متعلق به یک خوشه است. پس از کاهش ابعاد با دقت بالا، خوشهها با استفاده از خوشهبندی عمیق انتها به انتها شناسایی میشوند. نتایج تجربی نشان میدهد که روش پیشنهادی در مقایسه با روشهای پیشرفته فعلی روی مجموعه دادگان متنی، عملکرد خوبی دارد.
