我有一个大型数据集，我想集群。我的试运行集大小是2,500个对象;当我在'真正的交易'上运行时，我将需要处理至少20k的对象。
这些对象之间具有余弦相似性。该余弦相似性不满足作为数学距离度量的要求;它不满足三角不等式。
我想以一种“自然”的方式将它们聚类在一起，将类似的对象放在一起，而不需要事先指定我期望的聚类数。
有谁知道会这样做的算法？真的，我只是在寻找任何不需要a）距离度量和b）预先指定数量的聚类的算法。
非常感谢！
此问题在此之前已被提出： Clustering from the cosine similarity values （但此解决方案仅提供K-means聚类），此处： Effective clustering of a similarity matrix （但这个解决方案相当模糊）
答案 0 :(得分：3)
Apache mahout有许多聚类算法，包括一些不需要你指定N的算法，它们允许你指定距离度量。
平均移位聚类类似于k均值但没有预先指定数量的聚类https://cwiki.apache.org/confluence/display/MAHOUT/Mean+Shift+Clustering。
然后更一般地说，如果你想尝试各种算法，R有一个绝对丰富的复杂软件包（包括一些已经证明可以选择最佳数量的EM的变分贝叶斯实现）对我过去的一些研究非常有用：http://cran.r-project.org/web/views/Cluster.html。
答案 1 :(得分：2)
实际上，大多数需要“距离函数”的算法都不要求它是度量标准。
DBSCAN可以推广到一个甚至从距离抽象的版本（见维基百科），它只需要有某种“密集”的概念。 （DBSCAN也不需要事先知道集群的数量）
但即使对于k-means--对距离有相当严格的要求，甚至超出了测量范围 - 也有一种叫做球形k-means的变体。
无论如何，在数据库环境中，“度量”的全部要求都是utopic。在任何现实世界的数据中，可能有两个具有相同坐标的记录，因此最多只有一个伪度量。三角不等式主要起到优化的作用（例如，通过使用具有严格三角不等式要求的M树索引）或利用该属性的加速k均值。
答案 2 :(得分：2)
你也可以尝试Affinity Propagation（http://www.psi.toronto.edu/index.php?q=affinity%20propagation）。该算法将相似度矩阵作为输入，我相信也可以自动调整聚类质心的数量。