我正在尝试实现文本聚类的k-means，特别是英语句子到目前为止，我对每个文档（句子）都有一个术语频率矩阵。我对k-means在文本数据上的实际实现有点困惑。这是我对它应该如何工作的猜测。
找出所有句子中唯一单词的数量（一个很大的数字，称之为n）。
创建kn维向量（簇）并用一些随机数填充k向量的值（如何确定这些数的界限？）
确定从每个q句子到随机k簇、重新定位簇等的欧几里德距离（如果n和英语一样大，计算这些向量的欧几里德距离不是很昂贵吗？）
谢谢你的洞察力！
最佳答案
这个评论有点长。
如果你有一个文档项矩阵，那么找到主成分（协方差矩阵）确定主成分空间中原始数据的系数。您可以在此空间中执行k-means聚类。
对于文本数据，通常需要一系列维度——20、50、100，甚至更多。此外，我推荐高斯混合模型/期望最大化聚类代替k-均值，但这是另一个故事。
关于algorithm - 文本聚类的k均值，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/40392972/