我正在做一些研究，我正在玩Apache Mahout 0.6
我的目的是建立一个系统，根据用户输入命名不同类别的文档。这些文件不是事先知道的，我不知道在收集这些文件时我也有哪些类别。但我知道，模型中的所有文档都应该属于预定义类别之一。
例如： 假设我收集了N个文档，这些文档属于3个不同的组：
我不知道哪个文档属于哪个类别，但我知道我的N个文档中的每一个都属于这些类别中的一个（例如，没有关于这些N个文档中的篮球的文档）
所以，我提出了以下想法：
应用mahout聚类（例如k-mean，其中k = 3） 这应该将N个文件分成3组。这应该是我学习的模型。我仍然不知道哪个文档真正属于哪个组，但至少文档现在按组聚集
要求用户在网上找到任何关于“麦当娜”的文件（我不能向用户显示我的N个文件，这是一个限制）。然后我想测量本文档和3组中的每一组的“相似性”。 我希望看到模型中的user_doc与Madonna组中的文档之间的相似性测量值将高于user_doc与政治文档之间的相似性。
我已经设法使用“Mahout in Action”一书制作了一系列文档。 但是我不明白我应该如何使用Mahout来衡量“准备好”的文档集群和一个给定文档之间的相似性。
我想重新运行具有相同质心的N + 1个文件的k = 3的群集（就k均值聚类而言）并查看新文档在哪里落下，但也许还有其他方法可以做到这一点？
是否可以使用Mahout或我的想法在概念上是错误的？ （关于Mahout API的例子非常好）
非常感谢并抱歉提出了一个很长的问题（无法更好地描述）
非常感谢任何帮助
P.S。这不是一个家庭工作项目:)）
答案 0 :(得分：2)
这可能是可能的，但更简单的解决方案（恕我直言）将手工标记每个类别的一些文件，然后使用它们来引导k-means。即，计算手标政治/麦当娜/科幻文件的质心，让k-means从那里拿出来。
（用花哨的术语来说，你会做semisupervised nearest centroids classification。）