文本聚类：在 k 中选择 k 意味着

Posted 2023-03-12

【中文标题】文本聚类：在 k 中选择 k 意味着

【英文标题】：Text clustering: chosing the k in k means

【发布时间】：2018-01-22 17:03:13

【问题描述】：

在去除停用词并在一组文档中应用词干提取过程后，我在 javascript 中应用了二等分 K-means，以便对从某些网页接收到的一组文档进行聚类，以发现它们之间的相似性。

当有基于文本的集群时，找出应该创建多少集群的好方法应该是什么？我看到了一些方法，例如 Elbow、Silhouette 或信息标准方法，但假设我没有我创建的集群的任何信息，其他方法似乎更适合数字集群，而不是基于文本的集群。

entropy 能否成为在文本聚类中应用二等分 k-means 后帮助我找到正确数量的聚类的好方法？还是F-measure？我的意思是在达到某个值后停止划分集群？这些对大量数据有好处吗？

【问题讨论】：

在文本上，它们似乎都不能可靠地工作。

那怎么确定K的个数呢？在文本聚类中？有什么想法吗？

您有很多小文件还是一些长文件？ - 同一个词多次出现是否表明相似度更高？还是仅仅是出现独特的单词很重要？

我有很多小文件。我认为相似性应该由同一个词的多次出现来给出。停用词（例如“the”、“a”和类似词）先前已被删除。很少使用的词应该更相关，但我如何识别它们？

在 Tweets 等小型文档上根本不起作用。

【参考方案1】：

简答：

您可以使用TermFequency- InverseDocument-Frequency (Tf-Idf)。它强调在单个文档中专门使用的稀有词，并在所有文档中发现这些词时对其进行惩罚。 如果您在数据集上应用了带有 TfIDF 的 PCA，则可以使用“Scree Plot”（~ Elbow 方法）来找到合适数量的集群。

长示例：

下面是一个不使用kmeans的例子，这个例子使用了几个长文档，已经确定有两个“集群”（实际上是使用Principal components和Tf-Idf），但是它使用了real以创造性的方式获取数据：

在为R 软件开发的PhD dissertation documenting the "textmining" package tm 中，tm 的作者 Ingo Feinerer 给出了一个示例（第 10 章）如何进行文体测量，即从“绿野仙踪”系列。其中一本书的作者身份存在争议（该系列中有两位作者，汤普森和鲍姆，但他们对其中一本书的贡献未知）。

Feinerer 将文档分成 500 行的块以构建一个 TermDocumentMatrix，然后在矩阵上执行主成分分析 (PCA) 的变体，其中一个使用 TfIDF，并通过对 PCA 图的目视检查显示有争议的 PCA 图这本书的作者往往是汤普森。但部分可能是鲍姆写的。

在图中，这由粉红色的摆动椭圆（由我绘制）内的点表示。绿点是来自已知作者身份 (T.) 的书的块，黄点来自未知/有争议的作者身份的书。 （图中的点紧密相连。这就是这里的证据；它是定性的，但这只是 PDF 中的许多例子之一）

第 95 页上的 Tf-IDF PCA 图看起来很相似。

我没有给出任何R代码，因为我不知道你是否喜欢R，而且这篇文章已经太长了，你可以在PDF中自己阅读。

（而且我不知道 Javascript 中 Tf-IDF 的任何实现）。