algorithm - tf-idf:我理解的对吗？

Question

我对做一些文档聚类很感兴趣，现在我正在考虑为此使用 TF-IDF。

如果我没记错的话，TF-IDF 特别用于评估给定查询 文档的相关性。如果我没有特定的查询，我如何将 tf-idf 应用于聚类？

Answer 1

用于文档聚类。最好的方法是使用 k-means 算法。如果您知道您拥有多少种类型的文档，您就知道 k 是什么。

让它在文档上工作:

a) 假设随机选择前 k 个文档。

b) 使用文档与聚类的最小距离将每个文档分配给一个聚类。

c) 将文档分配到簇后，通过取每个簇的质心将K个新文档作为簇。

现在，问题是

a) 如何计算2个文档之间的距离:它只不过是文档术语与初始聚类的余弦相似度。这里的 Terms 只不过是 TF-IDF(之前为每个文档计算的)

b) Centroid should be:给定术语/编号的 TF-IDF 之和。文件。对集群中的所有可能项执行此操作。这将为您提供另一个 n 维文档。

希望对您有所帮助!