新闻文章的聚类答案

【问题标题】：Clustering of news articles新闻文章的聚类
【发布时间】：2014-10-03 09:25:25
【问题描述】：

我的场景非常简单：我有一堆新闻文章（目前约为 1k），我知道其中一些文章涵盖了相同的故事/主题。我现在想根据共享的故事/主题（即基于它们的相似性）对这些文章进行分组。

到目前为止，我所做的是应用基本的 NLP 技术，包括停用词删除和词干提取。我还计算了每篇文章的 tf-idf 向量，并且还可以基于这些 tf-idf 向量计算余弦相似度。但是现在随着文章的分组，我有点挣扎。我看到了两种主要的方法——可能是相关的——来做到这一点：

1) 机器学习/聚类：我已经对现有的聚类库进行了一些尝试，或多或少取得了成功；见here。一方面，诸如k-means之类的算法需要聚类的数量作为输入，我不知道。其他算法需要的参数也不能直观地指定（对我来说就是这样）。

2) 图算法：我可以将我的数据表示为一个图，其中文章是节点，加权边表示文章之间的成对（余弦）相似度。有了这个，例如，我可以首先删除所有低于某个阈值的边，然后可以应用图算法来寻找强连接子图。

简而言之，我不确定从这里最好的去处——我在这个领域还是很新的。我想知道是否有一些最佳实践，或者某种指导方针，哪些方法/算法可以（不）应用于某些场景。

（编辑：忘记链接到我的相关问题）

【问题讨论】：

我认为没有单一的“最佳方式”来完成这项任务；实际上，从您提出问题的方式来看，您可能会应用数十种不同的算法并获得质量相似的结果。你读过any paper on text categorization吗？
是的，我开始阅读有关相似性度量、（无监督）学习/聚类以及相关主题的内容。但与此同时，我也想尝试一些事情——你知道，“边做边学”，或者如果发生“通过燃烧/失败学习”。我不希望这是一种最好的方法。然而，这似乎是一项相当普遍的任务，我希望有一些最佳实践方法。
我真的很想知道你是如何对你的数据集进行聚类的，因为我有一组简历，我想对它们进行聚类和分类，而且我对这个领域还很陌生，我怎么能联系你对不起，因为我是没有在这里回答，但你是我最后的希望_再次抱歉
@Abeerzaroor -- 请参阅我的StackOverflow question，其中包含一个最小的、现在可以使用的示例。它本质上只是SciKit-Learn website 上更复杂示例的简化版本。这两个链接都应该可以帮助您开始滚动。

【解决方案1】：

由于您可以将数据集建模为图形，因此您可以应用基于马尔可夫模型的随机聚类。以下是 MCL 算法的资源链接：

【讨论】：

【解决方案2】：

您还可以尝试对 k-means 进行树冠变化，以相对快速地估算聚类数 (k)。

您会随着时间的推移重新计算，还是只关心一组静态新闻？我问是因为你的 k 可能会随着时间的推移而改变。

【讨论】：

【解决方案3】：

尝试使用单一和完整链接的层次凝聚聚类HAC 算法类。

这些算法不需要簇的数量作为输入。

基本原理类似于在给定的一组数据点上生成最小生成树，然后根据阈值标准停止。一个密切相关的类是分裂聚类算法，它首先建立最小生成树，然后根据聚类间的相似性比率修剪掉树的一个分支。

【讨论】：