我想要群集文字。我有点理解从Mahout in Action中聚集纯文本内容的概念：
我希望对文本以及其他信息进行聚类，例如日期时间，地点，与之相关的人员。例如，我希望将对远处进行为期10天访问的文档放入不同的群集中。
我知道我必须编写自己的工具来制作来自日期时间，位置，标签和（自然）文本的向量。我该如何处理？我应该使用内置工具来矢量化文本，然后将该输出集成到我自己的向量中吗？如何称量尺寸？
答案 0 :(得分：1)
我无法向您提供完整的实施细节，因为我不确定，但我可以帮助您解决一个难题。您几乎肯定需要一些上下文分析来提取实体（例如位置，时间/日期，人名）
为此，请看一下OpenNLP。
http://opennlp.apache.org/documentation/1.5.3/manual/opennlp.html
特别关注POS标记器和名称取名器。
一旦你提取出相关的实体，你就可以使用Mahout分类对它们做一些事情（一旦你提取了足够的实体来训练你的模型），但我不确定。
祝你好运