我是集群的新手，之前只是实现了几个算法。 我需要根据它们的相似性对推文进行聚类。 一种方法是仅使用哈希标记，但我不认为它会提供信息。所以应该分析完整的推文。
此外，我在网上搜索聚类Feed的算法。
我遇到的是TF-IDF。我想知道是否有更好的算法可以在几个小时内实现，并且比TF-IDF更好。我也会在一些有关Twitter源聚类的信息来源中进行讨论。
PS：推文数量：10 ^ 5
答案 0 :(得分：1)
对于数据准备，我建议您阅读this及其第二部分（通过上述链接链接），如果您还没有这样做的话。从每条推文中获取数字向量非常重要。通常，在机器学习中，获取特征向量很重要，因为这样，您可以将数学算法应用于数据。
现在您的集合中的每条推文都有一个特征向量，事情变得有点简单。我想到有两种聚类算法，你可以在几个小时内完成，可能需要进行大量的测试才能度过一个周末。
仅使用100,000条推文，您实际上应该能够在一台计算机上实现这些算法（即，这不是大数据 - 不需要集群计算），使用您喜欢的语言（C ++，Java，Python，MATLAB，等等。）。就个人而言，我认为与Hierarchical Clustering（我之前也做过）相比，实现K-Means Clustering（我之前已经做过）更容易。
编辑：仅当您标记了培训数据时，请按照以下说明进行操作，即您有推文说，带有标记的情绪（快乐用户，好的，不好的产品，愤怒的用户，滥用用户）和你要回答的问题是：给出一条新的推文，它的情绪是什么？
这是一个非常好的资源，你应该看看，以更好地了解K-Nearest Neighbors：
一般来说，对于其他两种算法，有充足的资源，维基百科的文章是最好的开始。就个人而言，我觉得K-Nearest Neighbors（简写k-NN）是三个中最容易实现的，并且会给你快速的结果。