使用最近邻的加权聚类

Question

我有一个用例，我需要对 N 个事务进行集群，但有一个约束，即结果集群中的特定列值对于各个集群应该是相同的。为此，我一直在使用 NearestNeighbors - 来自 sklearn 的 NN，它似乎可以锻炼到一定程度。选择的距离度量是余弦，数据类型是分类的——在实际聚类之前完成一次热编码。

现在，如果我有 c1、c2...cn 列，它们与 NN 一起用于聚类，并且如果我想强制执行针对派生的特定聚类 Gi 的标准，那么列应该有一个唯一值cx 与 Gi。我将如何执行此操作？

我浏览了一些文档，其中一些技术间接建议对列 cx 进行分组，然后进行聚类或在数据和聚类中复制列 cx。这些方法是否可以有效解决问题？

Answer 1

如果您有倒排索引，则强制执行某个值是必需的，而其他值是可选的并且仅用于相似性应该很简单。想想带有必需和可选术语的全文搜索示例。

根据您执行的查询数量，线性搜索以及“分组依据”方法可能没问题。