我有一个想要聚类的大型数据集。我的试运行集大小是 2,500 个对象；当我在“真正的交易”上运行它时，我将需要处理至少 20k 个对象。
这些对象之间具有余弦相似性。这种余弦相似度不满足作为数学距离度量的要求；它不满足三角不等式。
我想以某种“自然”的方式对它们进行聚类，将相似的对象放在一起，而无需事先指定我期望的聚类数量。
有谁知道可以做到这一点的算法？真的，我只是在寻找不需要 a) 距离度量和 b) 预先指定数量的集群的任何算法。
非常感谢！
这个问题之前在这里被问过： Clustering from the cosinesimilarity values （但这个解决方案只提供 K-means 聚类），在这里： Effective clustering of asimilarity matrix （但这个解决方案相当模糊）
Apache mahout 有许多聚类算法，包括一些不需要您指定 N 并且允许您指定距离度量的算法。
均值偏移聚类类似于 k-means，但没有预先指定数量的聚类https://cwiki.apache.org/confluence/display/MAHOUT/Mean+Shift+Clustering。
然后更一般地说，如果您想尝试各种算法，有绝对丰富的可用于 R 的复杂包（包括一些 EM 的变分贝叶斯实现，它们将选择最佳数量的集群）已被证明非常有用我过去的一些研究：http: //cran.r-project.org/web/views/Cluster.html。
您也可以尝试 Affinity Propagation (http://www.psi.toronto.edu/index.php?q=affinity%20propagation)。该算法以相似度矩阵作为输入，并且我相信它还可以自动调整聚类质心的数量。
实际上，大多数需要“距离函数”的算法并不要求它是度量的。
DBSCAN 可以被概括（参见维基百科）到一个甚至从远处抽象出来的版本，它只需要有某种“密集”的概念。（DBSCAN 也不需要事先知道簇的数量）
但即使对于 k-means——它对距离有相当严格的要求，甚至超出了度量——也有一种称为球形 k-means 的变体。
无论如何，在数据库上下文中，“度量”的全部要求都是空想的。在任何现实世界的数据中，可能有两条坐标相同的记录，所以最多你会有一个伪度量。三角不等式主要用于优化（例如，通过使用具有严格三角不等式要求的 M-tree 索引）或利用此属性的加速 k 均值。