يقترح هذا البحث تنفيذ التجميع عبر الإنترنت من خلال إجراء التعلم المقارن الثنائي (TCL) على مستوى الحالة والكتلة. بصفة خاصة، نجد أن عند إسقاط البيانات في فضاء خصائص ذو بُعد عدد الكتل المستهدفة، فإن صفوف وعمود مصفوفة الخصائص تتوافق مع تمثيل الحالة والكتلة على التوالي. استنادًا إلى هذه الملاحظة، بالنسبة لمجموعة بيانات معينة، يقوم TCL المقترح أولاً ببناء الأزواج الإيجابية والسالبة من خلال تحسينات البيانات. بعد ذلك، في فضاء الصفوف والأعمدة لمصفوفة الخصائص، يتم إجراء التعلم المقارن على مستوى الحالة والكتلة بشكل منفصل عن طريق جمع الأزواج الإيجابية معًا بينما يتم فصل الأزواج السالبة. لتخفيض تأثير الأزواج السالبة الطبيعية وتصحيح تعيينات الكتل، نعتمد معيارًا قائمًا على الثقة لاختيار العلامات الوهمية لتعزيز كل من التعلم المقارن على مستوى الحالة والكتلة. نتيجة لذلك، يتحسن أداء التجميع بشكل أكبر. بالإضافة إلى الفكرة الأنيقة للتعلم المقارن الثنائي، فإن أحد مزايا TCL هو أنه يمكنه التنبؤ بشكل مستقل بتعيين الكتلة لكل حالة، مما يجعله يتناسب بسهولة مع السيناريوهات عبر الإنترنت. تظهر التجارب الواسعة التي أجريت على ستة مقاييس صورة ونص شائعة فعالية TCL. سيتم نشر الرمز البرمجي على موقع GitHub.