尧图网页设计 
文章核心总结与翻译一、主要内容本文针对大型语言模型（LLMs）在文本聚类任务中存在的无状态性（无法跨批次保留记忆）和聚类粒度难以控制两大核心问题，提出了名为LLM-MemCluster的端到端文本聚类框架。该框架无需模型微调或集成传统聚类算法，通过两大核心机制实现高效聚类：动态记忆机制（Dynamic Memory Mechanism）：在提示词中维护动态更新的聚类标签集合，使LLM成为有状态的聚类主体，支持迭代式分配文档、创建新聚类、合并相似标签及追溯更新历史分配，确保全局一致性。双提示粒度控制机制（Dual-Prompt Strategy）：基于当前聚类数量与用户设定的目标范围（[Kmin, Kmax]）动态切换两种提示模式——宽松模式（Relaxed Prompt）允许探索细粒度主题，严格模式（Strict Prompt）限制新标签创建并优先合并标签，实现聚类数量的精准控制。实验在6个不同领域、聚类数量18-102的基准数据集上展开，结果表明LLM-MemCluster在准确率（ACC）、归一化互信息（NMI）和调整兰德指数（ARI）等指标上显著优于传统方法（如K-Means、DBSCAN）、基于嵌入的方法（如BERTopic）及现有LLM增强方法（如ClusterLLM），且在不同LLM（GPT-4.1、Gemini、DeepSeek等）上具备良好的泛化能力，对超参数变化鲁棒性强。二、创新点提出无微调的LLM原生聚类范式，摆 LLM-MemCluster: Empowering Large Language Models with Dynamic Memory for Text Clustering
文章核心总结与翻译一、主要内容本文针对大型语言模型（LLMs）在文本聚类任务中存在的无状态性（无法跨批次保留记忆）和聚类粒度难以控制两大核心问题，提出了名为LLM-MemCluster的端到端文本聚类框架。该框架无需模型微调或集成传统聚类算法，通过两大核心机制实现高效聚类：动态记忆机制（Dynamic Memory Mechanism）：在提示词中维护动态更新的聚类标签集合，使LLM成为有状态的聚类主体，支持迭代式分配文档、创建新聚类、合并相似标签及追溯更新历史分配，确保全局一致性。双提示粒度控制机制（Dual-Prompt Strategy）：基于当前聚类数量与用户设定的目标范围（[Kmin, Kmax]）动态切换两种提示模式——宽松模式（Relaxed Prompt）允许探索细粒度主题，严格模式（Strict Prompt）限制新标签创建并优先合并标签，实现聚类数量的精准控制。实验在6个不同领域、聚类数量18-102的基准数据集上展开，结果表明LLM-MemCluster在准确率（ACC）、归一化互信息（NMI）和调整兰德指数（ARI）等指标上显著优于传统方法（如K-Means、DBSCAN）、基于嵌入的方法（如BERTopic）及现有LLM增强方法（如ClusterLLM），且在不同LLM（GPT-4.1、Gemini、DeepSeek等）上具备良好的泛化能力，对超参数变化鲁棒性强。二、创新点提出无微调的LLM原生聚类范式，摆