關(guān)于文本聚類，我曾在 Chat《NLP 中文文本聚類之無監(jiān)督學(xué)習(xí)》中介紹過，文本聚類是將一個個文檔由原有的自然語言文字信息轉(zhuǎn)化成數(shù)學(xué)信息，以高維空間點的形式展現(xiàn)出來，通過計算哪些點距離比較近，從而將那些點聚成一個簇，簇的中心叫做簇心。一個好的聚類要保證簇內(nèi)點的距離盡量的近，但簇與簇之間的點要盡量的遠(yuǎn)。

如下圖，以 K、M、N 三個點分別為聚類的簇心，將結(jié)果聚為三類，使得簇內(nèi)點的距離盡量的近，但簇與簇之間的點盡量的遠(yuǎn)。

開發(fā)環(huán)境，我們選擇：：

Windows 系統(tǒng)

Python 3.6

Jupyter Notebook

本文繼續(xù)沿用上篇文本分類中的語料來進(jìn)行文本無監(jiān)督聚類操作。

整個過程分為以下幾個步驟：

• 語料加載
• 分詞
• 去停用詞
• 抽取詞向量特征
• 實戰(zhàn) TF-IDF 的中文文本 K-means 聚類
• 實戰(zhàn) word2Vec 的中文文本 K-means 聚類

下面開始項目實戰(zhàn)。

1. 首先進(jìn)行語料加載，在這之前，引入所需要的 Python 依賴包，并將全部語料和停用詞字典讀入內(nèi)存中。

第一步，引入依賴庫，有隨機(jī)數(shù)庫、ji

總結(jié)

以上是生活随笔為你收集整理的第07课：动手实战基于 ML 的中文短文本聚类的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。