计算Lucene文档之间的相似度和质心答案

【问题标题】：Calculating similarity between and centroid of Lucene documents计算Lucene文档之间的相似度和质心
【发布时间】：2011-03-27 16:56:40
【问题描述】：

为了对我从 Lucene 获得的结果执行简单的聚类算法，我必须计算 Lucene 中 2 个文档之间的余弦相似度，我还需要能够制作一个质心文档来表示每个聚类的质心。

我能想到的就是用 tf-idf 加权构建我自己的向量空间模型，使用 TermFreqVectors 和整体词频来填充它。

我的问题是：这不是一种有效的方法，有更好的方法吗？

这感觉有点不清楚，所以任何关于如何改进我的问题的建议也很感激。

【问题讨论】：

【解决方案1】：

【讨论】：

【解决方案2】：

简短的回答是：不。

我花了很多时间（太多时间）研究这个问题，据我所知，您可以制作自己的向量空间模型并从中工作，或者使用 Mahout 生成 Mahout 向量，您可以从中比较文档。我会继续做我自己的，所以我将这个问题标记为已回答！

【讨论】：

【解决方案3】：

为了获得一个文档与另一个文档的相似性，为什么不使用一个文档的内容进行一次查询并针对索引运行查询呢？这样，您将获得分数（余弦相似度值）

【讨论】：