我正在尝试实现K-Means Algorithm，并对矢量部分感到困惑。
这就是我所做的：
对于每个文档，我为其中的每个单词生成tf-idf并将其存储在STL映射中。然后使用算法的余弦相似性与实际单词。
我应该在哪里使用词干部分？
我应该先干掉单词并计算出词干的tf-idf吗？
我应该只使用词干词来算法吗？
使用词干会不会降低结果吗？
答案 0 :(得分：1)
这取决于您的聚类目标。
在我们曾经做过的项目中，我们需要在两个字符串之间提供匹配分数，并且可能会对单词进行变化。我们首先阻止，然后计算字符串之间匹配单词的数量。如果这种类型的匹配在你的问题中有意义，那么先堵塞可能是一个好主意
当然，当你干掉时你会丢失信息，但是你可以减少一些噪音。
答案 1 :(得分：1)
通常，在实际计算每个词干的tf-idf之前完成词干。
那么对于你的最后两个问题，我会说这取决于你在做什么。你应该尝试不同的方法（词干，原始词，词形还原），看看哪种方法能产生最好的结果。
在群集的情况下，您应该使用一组带注释的文档，在其上尝试您的方法，然后为每个方法建立confusion matrix，这将帮助您确定解决问题的最佳方法。 / p>