我需要使用 ELKI 根据编辑距离/Levenshtein 距离对大量字符串进行聚类。由于数据集太大，我想避免使用基于文件的预计算距离矩阵。我该怎么做
(a) 从文件中加载 ELKI 中的字符串数据（仅“标签”）？
(b) 实现一个访问标签的距离函数（扩展AbstractDBIDDistanceFunction，但是如何获取标签？）
一些代码 sn-ps 或示例输入文件会有所帮助。
【问题讨论】：
标签： string cluster-analysis edit-distance elki
其实很简单：
A）编写一个适合您的输入文件格式的Parser（为什么要尝试重用为数值向量编写的解析器带标签？），可能是AbstractStreamingParser 的子类，产生所需数据类型的关系（可能你可以只使用String。如果你想更笼统一点，TokenSequence 可能是这些距离更合适的概念. 字符串只是最简单的情况。
B) 基于此向量类型而不是 DBID 实现 DistanceFunction，即 PrimitiveDistanceFunction<String>。同样，子类化 AbstractPrimitiveDistanceFunction 可能是最简单的事情。
出于性能原因，您可能还想研究索引算法来检索例如k 最相似的字符串有效。我不确定字符串编辑距离和 levenshtein 距离存在哪些索引结构。
一位同事有一个学生，他显然有一些工作令牌编辑距离，但我还没有看到或审查过代码。在处理日志文件时，他可能会使用基于令牌的方法而不是字符。
【讨论】：
AbstractParser 和Parser 而不是AbstractStreamingParser（例如BitVectorLabelParser），因为当我生成带有AbstractStreamingParser 子类的字符串时，我得到了[1]。如果需要，我将研究索引算法。 [1]NoSupportedDataTypeException: No data type found satisfying: String Available types: DBID...
Event.META_CHANGED 事件。但除此之外，您是否会考虑将您的代码贡献给 ELKI，以便其他人也可以使用它？我敢肯定你不是唯一对 Levenshtein 距离和弦乐感兴趣的人。