分层凝聚聚类

Question

我们可以使用分层凝聚聚类来聚合这种格式的数据吗？

"beirut,proff,email1"
"beirut,proff,email2"
"swiss,aproff,email1"
"france,instrc,email2"
"swiss,instrc,email2"
"beirut,proff,email1"
"swiss,instrc,email2"
"france,aproff,email2"

如果没有，那么使用字符串值对数据进行聚类的兼容聚类算法是什么？

感谢您的帮助！

Answer 1

任何类型的群集都需要距离指标。如果你愿意用你的琴弦将它们视为彼此相等或彼此不相等，那么你真正能做到的最好就是场上汉明距离......也就是说，“abc”之间的距离，def，ghi“和”uvw，xyz，ghi“是2，”abw，dez，ghi“之间的距离也是2.如果你想在特定领域内聚类相似的字符串 - 比如聚类”斯洛伐克“和“斯洛文尼亚”由于名称的相似性，或者“波兰”和“乌克兰”因为它们彼此相邻，所以你会使用更复杂的指标。给定距离度量，分层凝聚聚类应该可以正常工作。

然而，所有这些都假定群集是您实际想要做的事情。您的数据集似乎是一种奇怪的聚类用例。

Answer 2

分层聚类是一种相当灵活的聚类算法。除了一些联系（沃德？）它对“距离”没有任何要求 - 它也可能是一个相似性，通常负值也会起作用，你不需要三角不等等。

其他算法 - 例如k-means--更受限制。 K均值最小化方差;所以它只能处理（平方）欧几里德距离;并且它需要能够计算均值，因此数据需要处于连续的，固定的维数向量空间中;和稀疏性可能是一个问题。

一种可能更灵活的算法是广义DBSCAN。本质上，它需要二元决策“x是y的邻居”（例如，距离小于epsilon），以及谓词来测量“核心点”（例如密度）。你可以提出任意复杂的谓词，这可能不再是一个“距离”了。

无论哪种方式：如果您可以衡量这些记录的相似性，则应该使用层次聚类。问题是，如果你可以从那些数据中获得足够的相似性，而不仅仅是3位：“具有相同的电子邮件”，“具有相同的名称”，“具有相同的位置” - 3位将不会提供非常有趣的等级。