相似文本聚类

聚类方法

原型聚类

原型是指样本空间中具有代表性的点。此类算法假设聚类结构能通过一组原型刻画，在现实聚类中极为常用。如：k-means、高斯混合聚类
高斯混合聚类：：

层次聚类

层次聚类根据划分策略包括聚合层次聚类和拆分层次聚类，由于前者较后者有更广泛的应用且算法思想一致，因此本节重点介绍聚合层次聚类算法。
聚合层次聚类的基本思想：
1）计算数据集的相似矩阵；
2）假设每个样本点为一个簇类；
3）循环：合并相似度最高的两个簇类，然后更新相似矩阵；
4）当簇类个数为1时，循环终止；
聚类流程如下图所示。此处核心是如何计算各簇类间的距离

簇间相似度的计算方法：最小距离、最大距离、平均距离、中心距离、最小方差法
算法复杂度：空间复杂度=O(n2), 时间复杂度：O(n3)
算法优化：我们可以通过连通性约束（connectivity constraint）降低算法复杂度，甚至提高聚类结果。具体实现如下：

# 定义不包含样本点在内的10个最近邻的连通样本点
from sklearn.neighbors import kneighbors_graph
connectivity = kneighbors_graph(X, n_neighbors=10, include_self=False)

ward = AgglomerativeClustering(n_clusters=6, connectivity=connectivity,
                               linkage='ward').fit(X)

参考文献：https://mp.weixin.qq.com/s/u5EeRfq4AjP14DRbftZ6AQ

密度聚类

常用密度聚类：DBSCAN、最小熵聚类

评价指标

实际应用