Clustering的字符串数组之间的距离计算

Question

我正在尝试建立一个推荐系统，根据他/她的兴趣（大学项目）向用户推荐朋友。 我准备了用户详细信息和用户兴趣的数据集（csv文件）： 它们的格式为：

"abcd","pqr","abcd@xyz.com","adf332" //userDetail
"Henry","Clifford","henrycliffordhenry.clifford@gzcz.com","sa1xVP" //userDetail

在另一个档案中：

"Henry","Clifford","Painting Photography EDM Algorithms Squash Graffiti Folk-music Badminton" //User interests

现在我想根据用户兴趣之间的相似性对用户进行聚类。 我想以这样的方式进行，即将整个兴趣字符串与另一个用户进行比较，而不是单独进行（这需要花费很多时间）。 我有大约1,700,000个用户的数据。 我一直在计算我可以在聚类算法中使用的用户的距离矩阵。

我尝试了Levenshtein距离，但这不会起作用，因为兴趣数组[ a,b,c,d]不等于[c,d,b,a]

此外，我对哪个算法最适合此目的感到困惑（k-means，fuzzy-cmeans或分层算法）。

我希望输出是用户群，使他们感兴趣的数组匹配。

即使经过大量搜索，我也无法在网上找到满意的结果。

关于如何为这样的字符串数组制作距离矩阵的任何想法？

Answer 1

不要处理原始数据。

提取功能，例如使用词袋矢量空间模型和TF-IDF加权。