构建特征向量来学习集群

Question

例子：

文档 {
引文：{
0：引用0，
1：引用1，
2：引用2，
...
n: 引用N
}
}

我想根据引用的相似性对文档进行聚类，但是每个文档都会有很多引用。我在这里的困惑是......在这种情况下，我如何构建数据集的特征向量以将其输入我的聚类工具包。

我想让 column 成为引文，如果该文档具有该引文，则值为 1。

ps。我的机器学习背景很薄弱 - 我正在阅读我的讲义，但大多数都没有涉及这类问题>

Answer 1

构建特征向量的一种简单方法是创建邻接矩阵（例如 A）。特征是二进制的。

每行代表被引文献，每列代表被引文献。因此，如果 Document1 仅被 Document3 引用，则元素 A(1,3)=1 并且该行的其余元素为 0。

如果您要处理的文档太多，这可能不是有效的方法。如果您有 N 个文档，则矩阵大小为 NxN。

如果您正在编写自己的聚类算法，请使其接受更紧凑的形式（请参阅邻接列表）。