如何从 Tf-IDF 向量中选择 K-mean 的初始聚类

Question

我正在处理文本聚类。我想选择特定文档（作为向量）作为 k-means 的 centroID。

我已经使用 Mahout 为我的数据集创建了 TF-IDF，我想从 TFIDF 向量中选择初始集群。

有人知道如何在 Mahout 中指定初始质心吗？

Answer 1

bin/mahout kmeans
-c 输入集群目录
-k 从输入向量中采样的可选初始簇数

如果提供了 -k 参数，则 -c 目录中的所有簇都将被覆盖，并且 -k 随机点将从输入向量中采样成为初始簇中心。

参考：https://mahout.apache.org/users/clustering/k-means-clustering.html

Answer 2

一种可能是使用Cosine similarity 而不是TF-IDF，方法是查看彼此相距最远的文档。像这样的：

1. 选择一个文档 1.
2. 从文档 1 中选择最远的文档 2。
3. 从文档 1 和 2 中选择最远的文档。
4. 等

查看this 可能也会有所帮助。