我试图使用KMeansClustering方法对一些文档进行聚类，并成功创建了集群。我保存了与特定文档相对应的集群 ID 以供推荐。因此，每当我想推荐与特定文档相似的文档时，我都会查询特定集群中的所有文档，并从集群中返回n 个随机文档。但是，从集群返回任何随机文档似乎都不合适，我在某处读到我们应该返回最接近相关文档的文档。
因此，我开始搜索计算文档之间的距离，并偶然发现了RowSimilarity方法，该方法为每个文档返回 10 个最相似的文档，按距离排序。现在，这种方法依赖于 LogLikelihood 等相似性度量来计算文档之间的距离。
现在我的问题是这个。鉴于这两种方法都使用相似性距离度量来计算文档之间的距离，聚类如何比 RowSimilarity 更好/更差？
我想要实现的是，我试图根据产品的标题和其他文本属性对产品进行聚类，以推荐类似的产品。任何帮助表示赞赏。
相似性与距离不同——一个大而另一个小。聚类也不等同于计算距离。首先，您应该确定您是否有聚类问题——这听起来不像您所说的那样。所以，不要使用k-means。
聚类不仅仅是分类或推荐的另一种变体。这是一门不同的学科。
在进行聚类分析时，您希望发现数据中的结构。但是，您实际上应该分析您找到的结构。
现在 k-means 并不真正适用于文档。它试图找到一个接近最优的数据集划分为k 个 Voronoi 单元。除非您有充分的理由相信 Voronoi 单元格可以很好地划分您的数据，否则该算法可能毫无用处。仅仅因为它返回一个结果并不表示该结果是有用的。
对于文档，欧几里得距离（而 k-means 实际上是优化欧几里得距离）通常毫无意义。向量非常稀疏，k-means 聚类中心通常会类似于不可能（因此不敏感）的“平均文档”。
而且我还没有开始需要找到合适的 k 值，Mahout 实现可能只是 Lloyds k-means 近似的近似值，等等。你甚至检查过集群大小吗？在这样的情况下，k-means 通常会产生退化的结果。例如，几乎所有簇都包含 1 或 0 个元素，而一个巨型簇则包含其余元素。在这种情况下，您实际上可能只是从数据库中返回随机文档...
仅仅因为你可以使用它并不意味着它是有帮助的。确保验证您的方法的各个步骤，例如集群是否有用且合理！