我的场景非常简单：我有一堆新闻文章（目前约为1k），我知道有些文章涉及相同的故事/主题。我现在想根据共享的故事/主题对这些文章进行分组，即基于它们的相似性。
到目前为止，我所做的是应用基本的NLP技术，包括删除词和删除词。我还计算了每篇文章的tf-idf向量，并且还可以基于这些tf-idf向量计算例如余弦相似度。但现在随着文章的分组我有点挣扎。我看到两种主要方式 - 可能是相关的 - 来做到这一点：
1）机器学习/集群：我已经在现有的集群库中玩了一些，或多或少成功;见here。一方面，诸如k-means的算法需要簇的数量作为输入，这是我不知道的。其他算法需要的参数也不直观（对我而言）。
2）图算法：我可以将我的数据表示为图表，其中文章是节点，加权adges表示文章之间的成对（余弦）相似性。有了它，例如，我可以先删除低于某个阈值的所有边，然后可以应用图算法来查找强连通的子图。
简而言之，我不知道哪里最好离开这里 - 我在这方面仍然很新。我想知道是否有一些最佳实践，或者在某些情况下可以（不）应用某些方法/算法的指南。
（编辑：忘记链接到我的相关问题）
答案 0 :(得分：2)
尝试使用单一和完整链接的分层聚合聚类HAC算法。
这些算法不需要群集数量作为输入。
基本原理类似于在给定的一组数据点上生成最小生成树，然后根据阈值标准停止。一个密切相关的类是Divisive聚类算法，它首先构建最小生成树，然后根据聚类间相似性比率修剪树的一个分支。
答案 1 :(得分：1)
您还可以尝试k-means上的冠层变化来创建相对快速的簇数（k）估计值。
http://en.wikipedia.org/wiki/Canopy_clustering_algorithm
您是否会重新计算，或者您只关心一组静态新闻？我问，因为你的k可能会随着时间的推移而改变。
答案 2 :(得分：1)
由于您可以将数据集建模为图形，因此可以应用基于马尔可夫模型的随机聚类。以下是MCL算法资源的链接：
Official thesis description and code base
Gephi plugin for MCL (to experiment and evaluate the method)