我正在使用 k-means 聚类对一组新闻项目进行分组。我使用词袋模型来表示文档，更具体地说，每个文档都表示为词频向量。
我的问题：如何添加新文档而无需重新计算所有术语频率向量（看到包含所有文档的所有术语的词汇表会改变）？
问问题
503 次
1 回答
5
简单的解决方案是使用您已经看过的文档中的词汇，忽略任何新术语；这是文件分类的惯例。
近年来流行的另一种解决方案是完全抛弃词汇表并使用特征散列。
第三种可能性是在特征向量中为将来的术语保留空间。例如，假设您正在对具有大小为N的词汇表的一堆文档进行向量化，然后您实际上将它们转换为大小为N + K的向量，最终的K最初设置为零，因此您最多可以将K项添加到以后的词汇。
（可能不是解决方案是直接在哈希表上计算点积、均值等。这将是最灵活的方法，但通常很慢。）
于 2012-06-14T13:42:17.860 回答