我正在尝试对我们公司的简历（CV）进行分类（分类）。总共约有100个简历。这个想法是根据他们的简历内容找到相似的人。我已经将单词docs转换为文本文件，并将所有候选词读入python字典，其格式为：
cvdict = { 'name1' : "cv text", 'name2', : 'cv text', ... }
我还删除了大多数标点符号，将其小写，删除了数字等，并删除了长度小于x的单词（4）
我的问题：
集群是正确的方法吗？如果不是，那么哪种机器学习算法将是此任务的合适初始关注点。
我可以使用任何指向某些python代码的指针来横穿此字典并“聚类”内容。根据内容的聚类，应将“ keys” =候选名称作为聚类组输出。
最佳答案
因此，据我了解，您希望看到CV集中的潜在群体/群体。
cvdict的想法很棒，但是您还需要将所有文本转换为数字！您已经完成了一半。所以想想矩阵/ Excel表/表。您在每行中都有每个员工的个人资料。
名称1，cv_text1
name2，cv_text2
name3，cv_text3 ...
是的，您可以猜测，cv_text的长度可以变化。有些人的简历很长，有些则没有！哪些词可以对公司员工进行分类。我们需要一些使它们大小相等的方法。同样，并非所有的单词都具有参考价值，您需要考虑哪些单词可以捕捉您的想法；在机器学习中，他们称其为“特征”向量或矩阵。因此，我的建议是打出一组单词，并在该人以其技能提及该单词时加以标记。
managment marketing customers statistics programming
name1 1 1 0 0 0
name2 0 0 0 1 1
name3 0 0 1 1 0
或代替0/1矩阵，您可以在简历中输入该单词被提及的次数。
同样，您可以从所有简历中提取所有可能的单词。 NLTK是执行文本分析的出色模块，它具有一些内置功能供您抛光文本。看看this slide的前半部分。
然后，您可以使用任何种类的聚类方法，例如分层https://code.activestate.com/recipes/578834-hierarchical-clustering-heatmap-python/
已经有用于进行此类分析的软件包；无论是scipy还是scikit，我都可以肯定，您可以找到很多例子。关键步骤是您已经在进行的步骤；将您的数据表示为矩阵。