标签：text-mining python nlp cluster-analysis

我是文本挖掘的新手,这是我的情况.
假设我有一个单词列表[[car],’dog’,’puppy’,’vehicle’],我想将单词聚类为k组,我希望输出为[[‘car’,’vehicle’ ],[‘dog’,’puppy’]].
我首先计算每个成对单词的相似度得分,以获得4×4矩阵(在这种情况下)M,其中Mij是单词i和j的相似度得分.
将单词转换为数字数据后,我利用不同的聚类库(例如sklearn)或自己实现它以获得单词聚类.

我想知道这种方法是否有意义？此外,如何确定k的值？更重要的是,我知道存在不同的聚类技术,我在考虑是否应该使用k-means或k-medoids进行单词聚类？

解决方法:

按照Brian O’Donnell的答案,计算出与word2vec(或FastText或GLoVE,…)的语义相似度后,便可以使用sklearn.clustering对该矩阵进行聚类.我发现对于较小的矩阵,谱聚类给出了最好的结果.

值得记住的是,单词向量通常嵌入在高维球体中.具有欧几里得距离矩阵的K均值无法捕捉到这一点,并且可能会导致与不是直接邻居的单词相似度较差的结果.

标签：text-mining,python,nlp,cluster-analysis
来源： https://codeday.me/bug/20191009/1877942.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。