文本聚类的应用 ①文档聚类可以作为多文档自动文摘等自然语言处理应用的预处理步骤，比较典型的例子是哥伦比亚大学开发的多文档文摘系统Newsblaster。Newsblaster将每天发生的重要新闻文本进行聚类处理，并对同主题文档进行冗余消除、信息融合、文本生成等处理，从而生成一篇简明扼要的摘要文档；②对搜索引擎返回的结果进行聚类，使用户迅速定位到所需要的信息。Hua-Jun Zeng等人提出了对搜索引擎返回的结果进行聚类的学习算法。比较典型的系统则有vivisimo和infonetware等。系统允许用户输入检索关键词，而后对检索到的文档进行聚类处理，并输出各个不同类别的简要描述，从而可以缩小检索的范围，用户只需关注比较有希望的主题。另外这种方法也可以为用户二次检索提供线索；③对用户感兴趣的文档（如用户浏览器cache中的网页）聚类，从而发现用户的兴趣模式并用于信息过滤和信息主动推荐等服务。④聚类技术还可以用来改善文本分类的结果，如俄亥俄州立大学的Y.C.Fang，S.Parthasarathy和F.Schwartz等人的工作。⑤数字图书馆服务。通过SOM神经网络等方法，可以将高维空间的文档拓扑保序地映射到二维空间，使得聚类结果可视化和便于理解，如SOMlib[]系统；⑥文档集合的自动整理。如。
如何对大数据量的文本进行聚类呢？比如千万量级，有什么好的实现方法吗？ 一般大家用的是K-means聚类算法，需要事先设定聚类数，但很多时候我们不知道到底能聚出来多少主题，这个…
现在有哪些成熟的适用于中文短文本主题聚类的平台可以使用？ 国内的大数据中文主题聚类的工具比较多，但大部分都是近几年出现的大数据技术，通过对国内几家主流中文工…
Word2vec的词聚类结果与LDA的主题词聚类结果，有什么不同 很正常的，你如果再只使用一列变量进行聚类，又可以得出不同的聚类结果出来 因为选择不同的依据变量，自然计算的聚类就会出现差异了啊，你选了几列 它就会根据几列变量进行。
对比传统K-Means等聚类算法，LDA主题模型在文本聚类上有何优缺点？ 本人大三，最近在跟导师做自然语言相关研究，由于刚刚入门，接触并简单测试了一下LDA，感觉不是特别清楚…
Word2vec的词聚类结果与LDA的主题词聚类结果，有什么不同？ 这个问题这两天面试问到了，我来说一下我个人的理解，欢迎大家讨论。LDA和Word2Vec 都是Word Embedding的…
为什么citespace聚类生产的主题 CiteSpace的核心功能是产生由多个文献共被引网络组合而成的一种独特的共被引网络，以及自动生成的一些相关分析结果。每个文献共被引网络对应于一个历时一年或几年的时间段。最终显示的网络不是各个网络之间的简单叠加，而是要满足一些条件（详见2004年PNAS的论文）。解读这样的网络（我称为递进式知识领域分析）的要点包括：网络整体结构，网络聚类，各聚类之间的关联，关键节点（转折点）和路径。解读时可从直观显示入手，然后再参照各项指标。结构：是否能看到自然聚类（未经聚类算法而能直观判定的组合），是否包括转折点（有紫色外圈的节点），通过算法能得到几个聚类？每个节点大小代表它的总被引次数。大圈则总被引高。时间：每个自然聚类是否有主导颜色（出现时间相对集中），是否有明显的热点（节点年轮中出现红色年轮，即被引频率是否曾经或仍在急速增加）？通过各个年轮的色彩可判断被引时间分布。时间线显示将每一聚类按时间顺序排列，相邻聚类常常对应相关主题（聚类间共引）。聚类之间的知识流向也可从时间（色彩）上看到（由冷色到暖色）。内容：每个聚类的影响（被引时涉及的主题，摘要，和关键词）和几种不同算法所选出的最有代表性的名词短语？指标。
LDA主题模型聚类是怎么进行训练的？
Word2vec的词聚类结果与LDA的主题词聚类结果，有什么不同？
