我正在使用K Means进行单个文档聚类，我现在正在准备要聚类的数据并在其向量表示中表示N个句子。
然而，如果我理解正确的话，KMeans算法被设置为基于到k个中心点的欧氏距离来创建k个簇。无论句子顺序如何。
我的问题是我想保留句子的顺序并在集群任务中考虑它们。
让S = {1...n}表示一组代表句子的n个向量，S_1 = sentence 1 , S_2 = sentence 2 .. etc。
我希望群集为K_1 = S[1..i], K_2 = S[i..j] etc..
我认为可能将其转换为1D并将每个句子的索引与转换后的值相加。但不确定它是否会有所帮助。也许有更聪明的方式。
答案 0 :(得分：0)
执行此操作的快速而肮脏的方法是将每个词汇项附加其所在的句号。首先sentence segment，然后，对于此文档：
这份文件非常棒。它里面有各种各样的词。所有的话都在这里。
你会得到类似的东西：
{"0_this": 1, "0_document": 1, "0_be": 1, "0_really": 1,...}
无论你使用什么样的k-means，都应该很容易接受。
但是，我总是警告不要这样做。您引入了大量数据稀疏性，the curse of dimensionality会对您的结果造成更大的伤害。你应该只在你所看到的类型是（1）在词汇选择中非常可预测和（2）在结构上非常可预测时才这样做。我无法想到句子应该在文本中准确对齐的良好语言原因。