标签： matrix nlp linguistics
我大约有2000个文档（包含芬兰语句子），并且为每个文档创建了一个单词-单词共现矩阵。总共约有这些文档中有6000个不同的词（项目），因此每个共现矩阵为6000 x 6000，矩阵中的值表示两项同时出现的次数（在+/- 5个词的窗口中）。因此，矩阵是稀疏的。
我的目标是（i）根据这些矩阵确定文档之间的相似性，以及（ii）通过聚类分析将文档分类为聚类。但是，我不确定如何解决这个问题。非常感谢您对如何入门的任何想法。