如果我只有主题行的邮件（没有其他标题）是否有一个好的算法（或包）将它们聚合成一组“相关消息”？
主题为
的邮件Our travel plans 可能与
有关Re: Our travel plans和Re: Re: Our travel plans。到目前为止一直很好，但也有
AW: Our travel plans Fwd: Our travel plans Our travel plans (Forward) 我想将群集所有这些一起整合到一个线程中。当然，具有plans，Re: Our meeting等主题的邮件不应该在该主题中。我可以很好地实现分层结果 - 实际上，我有点像那样，因为我希望有相似内容的邮件有机会彼此“接近”。
所以，我有很多想法：后缀匹配，前缀树，Levensthein距离，Q-Gram配置文件 - 可能太多了。所以我问自己：“有没有人这样做过？”
答案 0 :(得分：2)
对于序列比较，我使用Open Refine（以前称为Google Refine）来尝试聚类算法来微调和识别要使用的算法。它包括密钥冲突（指纹，ngram和双互联网电话）和最近邻居（levenshtein距离和通过部分匹配预测（PPM））。
https://github.com/OpenRefine/OpenRefine/wiki/Installation-Instructions
导入数据后，只需使用构面进行群集即可。
方面＆gt;文字方面＆gt;群集