减少重叠对象组的数量

Question

我有一长串对象组。每个对象都有简单的属性，例如名称和描述。它们已经与相似的对象分组，但我知道许多组在某种程度上是冗余或重叠的。列表不包含重复的对象，顺序无关紧要。

关于如何根据相似性将它们减少到“n”组的任何建议？谢谢。

字符串的Ie

["apple", "orange", "pear"]
["apple", "steak", "orange"]
["steak", "burger"]

前两个大致上最相似

Answer 1

也许您可以尝试设置一个矩阵，其中列数对应于数据集中不同单词的数量。行数是数据点的数量。那么条目 (i,j) 是单词 j 在样本 i 中出现的次数。

一旦你有了这个矩阵，那么任何常见的聚类算法都可以工作，你可以用任何你喜欢的方式定义相似度。