我正在尝试实现用于文本聚类的 k-means，特别是英语句子。到目前为止，我对每个文档（句子）都有一个词频矩阵。我对文本数据上 k-means 的实际实现有点困惑。这是我对它应该如何工作的猜测。
算出所有句子中唯一词的数量（很大，称之为n）。
创建k n 维向量（簇）并用一些随机数填充k 向量的值（我如何确定这些数字的界限是什么？）
确定每个q 句子到随机k 簇、重新定位簇等的欧几里得距离（如果n 像英语一样非常大，则不会计算欧几里得这些向量的距离非常昂贵？）
感谢您的任何见解！
【问题讨论】：
评论有点长。
如果您有文档术语矩阵，则找到（协方差矩阵的）主成分。确定主成分空间中原始数据的系数。您可以在这个空间中进行 k-means 聚类。
对于文本数据，您通常需要一堆维度——20、50、100 甚至更多。另外，我会推荐高斯混合模型/期望最大化聚类而不是 k-means，但那是另一回事了。
【讨论】：
在这里复活一个有点老的问题，但值得将两者联系起来......
通常，您会使用某种本地敏感的散列，而不是依赖单词出现的频率。但无论哪种方式，手动组装特征矩阵都是一个巨大的麻烦。
SO answer 为您提供了如何使用 scikit-learn 并解释步骤从文档列表创建特征矩阵的指南。我认为这将有助于向您展示所需的步骤顺序。
【讨论】：