1樓：吳建明wujianming
根據聚成的簇的特點，聚類技術通常分為層次聚類（hierarchical clustering）和劃分聚類（partitional clustering）。前者比較典型的例子是凝聚層次聚類演算法，後者的典型例子是k-means演算法。
近年來出現了一些新的聚類演算法，它們基於不同的理論或技術，比如圖論，模糊集理論，神經網路以及核技術（kernel techniques）等等。
2樓：Lanking
之前曾經也因為這個問題頭疼過。主要還是看你需要聚類的是什麼文字了。如果是相似度方面的推測，不如直接用elastic search幫你去尋找類似結果。
如果是為了查重之類的、可以對資料進行一步清洗，有時候清洗歸類對生成質量更高的vector很有幫助。之前沒有多少word2vec的好方法，現在多了很多選擇，根據文字型別可以考慮基於bert的預訓練模型，效果還不錯。做feature extraction之後可以用kmeans或者dbscan等聚類演算法算一下。
3樓：NLPIR
聚類分析是一種無指導的機器學習方法，在機器學習、統計分析、模式識別、資料探勘、生物學等許多領域得到了廣泛的研究與應用。聚類的基本目的是將資料物件按照一定的標準分成若干個簇，使得同乙個簇中的物件之間相似度較大，不同簇之間的物件相似度較小。文件的聚類分析與一般的聚類分析類似，往往包括如下5個步驟：
(1). 模式表示，往往包括特徵抽取和特徵選擇，把資料物件表示成適合於演算法可計算的形式；
(2). 根據領域知識定義模式之間的距離測度公式；
(3). 聚類或者分組；
(4). 資料抽象表達（如果需要）；
(5). 評價輸出結果（如果需要）。這裡主要對前三個步驟進行介紹。
文字聚類分析首先要考慮的是文字表示問題，即如何從乙個電子文字的符號和文字中抽取出特徵，通過這些特徵來表示相應的文字，利用這些特徵資料進行聚類分析。不同的文字表示形式包括可以選擇不同的表示模型（如向量空間模型、概率模型、語言模型等），可以選擇不同的特徵選擇方法，可以利用LSI等不同的降維策略等。
常用的表示方法是向量表示法。向量空間模型將文件表示成乙個向量，向量的每一維表示乙個特徵，該特徵可以是乙個字、乙個詞、乙個n-gram或某個複雜的結構。通常情況下，利用向量空間模型表示文件時，需要對於文件進行切分（即前述的中文分詞，對英文而言是通過詞的分界符識別單詞）、停用詞處理、英文詞的詞形還原或者提取詞幹，經過這些步驟的處理，基本上可以得到一系列詞並將其作為文件的特徵。
所有的這些詞構成乙個「空間」，每個詞對應著空間中的一維。每個文件可以用文件中的詞來表示，這些詞及其權重構成乙個向量。向量的每個維度描述物件的乙個特徵，每乙個特徵的重要度通常採用TF*IDF的計算方法來衡量，更多的工作是通過引數調節上獲取更好的效果。
在著名的資訊檢索系統Smart中提出過一套詞權重計算的命名，該命名中綜合了TF*IDF中的多種變化，把詞的權重計算歸結為三個組成部分：詞頻TF、反向文件頻率IDF和基於文件長度的規格化因子。每個部分都有不同的計算方法，這些不同的變化構成了文件的不同表示方式。
常用的表示公式：：
其中，w(t, d)表示詞t在文件d中的權重；tf(t, d)表示詞在文件d中的頻率；
表示在整個語料中出現詞t的文件的數目；N表示整個語料中的所有文件數目；|d|表示文件向量的長度。
相關工作中，有的學者嘗試過不同的做法來完成。比如考慮基於概念的聚類，而不是基於簡單的詞的聚類；考慮利用文件中每個詞的互資訊向量來聚類，而不是權重向量等等；也有從效率方面來考慮，用兩次聚類，先用一字詞聚類，再用二字詞進一步聚類提高聚類精度。
不知道生孩子意義何在，不知道身為父母應該怎麼養育孩子，沒有能力好好養孩子的人憑什麼生孩子？！
這氣生的莫名其妙，沒有能力理解這個世界，憑什麼說生就生，生完了什麼也改變不了，連給這氣找個出口都沒有，到底怎麼想的！ 往事隨風 孩子就是你前世的債主，現在找上門來了。戀人就是你上輩子愛過的人，因為上輩子的那段緣份，現在再續前緣來了。命裡有的終需有。命裡沒有別強求。是你的終究還會是你的，不是你的就算暫...
如何理解 不知道自己不知道 知道自己不知道 知道自己知道 不知道自己知道？
鄧寧 克魯格效應，這張圖的最新理解。如果我們用表象和本質簡單粗暴的劃分事物認知等級。2 知道自己不知道 慢慢意識到事物發展層次，以及有不同的發展階段，不同的階段對應著不同的特徵和需求，比如馬斯洛人類發展金字塔，知道了有些事情只有在獲得經濟安全後才能充分發展，比如道德，比如體面，比如情懷。知道了表象不...
不知道，人生的意義何在
不止 不會認為這是逃避哦！首先，在做一件事之前，你都能把該注意的問題與什麼樣的未來想到了。當不得不面對的時候，不至於讓你手忙腳亂！既然注意到了問題，要麼避免掉問題的發生，要麼在問題來臨之前做好充足準備，其實無論選擇哪種，只要按自己的喜歡的，期待的去做，嘗試一下就好。關於人生麼，那是太複雜了，一生都在...