文本文件聚类

Question

我有如下所示的文本文件

例如：

文件1：

       yamaha
       gladiator 
       bike  

文件2：

       bajaj 
       pulsar
       bike

文件3：

       yamaha 
       gladiator
       india

我必须单独阅读这些文件并创建群集。意思是说，从上面的例子来看，文件1和文件3是相似的，并且将创建一个集群。我想要至少一个单词在两个文件之间匹配以构成一个集群。所以最后我必须从前面得到两个集群作为 1：yamaha和2：bajaj。请帮助我....

Answer 1

听起来你只需要将每个文件读成Set<String>个单词，然后寻找交叉点来构建你的集群。例如，可以通过将单词地图构建为出现次数（Map<String, Integer>）或将单词地图构建为一组文件名（Map<String, Set<String>>）来实现。

不确定第二个示例群集来自何处，因为“bajaj”仅存在于文件2中。

编辑：根据请求解释地图和集合的工作原理

实例化将字符串（单词）映射到一组文件名的地图：

Map<String, Set<String>> wordsToFilenames = new HashMap<String, Set<String>>();

在文件名中添加一个单词（假设我们已经从文件中读入单词变量并将文件名放在文件名变量中，两个字符串）：

Set<String> filenamesForWord;

if (wordsToFilenames.containsKey(word)) {
    filenamesForWord = wordsToFilenames.get(word);
}
else {
    filenamesForWord = new HashSet<String>();
    wordsToFilenames.put(word, filenamesForWord);
}

filenamesForWord.add(filename);

Answer 2

您可以查看在文档分类方面做得很好的naïve Bayesian classifier。对于其他算法，请尝试使用Google搜索text classification algorithm。