1
我正在做一些研究，我与Apache Mahout的打0.6亨利马乌 - 集群 - “命名”集群元素
我的目的是要建立一个系统，将其命名为根据用户的输入不同类别的文档。这些文件不是事先知道的，我也不知道在收集这些文件时我有哪些类别。但我知道，模型中的所有文档都应该属于预定义的类别之一。
例如： 可以说我已经收集了N个文档，属于3个不同的组：
- 政治
- 麦当娜（流行明星）
- 科幻
我不知道哪个文档属于哪个类别，但我知道我的N个文档中的每一个都属于这些类别中的一个（例如，没有任何有关的文档，比如篮球amo NG这N个文档）
所以，我想出了以下的想法：
应用亨利马乌集群（例如K均值对这些文件K = 3） 这应该分成N个文件到3组。这应该是我的学习模式。我仍然不知道哪个文档真的属于哪个组，但至少文档现在按组群集
要求用户在网上找到任何应该关于'麦当娜'的文档（我可以'不会向我的用户展示我的N个文档，它是一个限制）。然后我想测量这个文档和3个组中的每一个的“相似性”。 我期望看到user_doc和模型中麦当娜组中文档之间的相似性度量将高于user_doc和关于政治的文档之间的相似度。
我已经设法使用'Mahout in Action'书中生成文档集群。 但我不明白我应该如何使用Mahout来衡量“准备好”群集文档和一个给定文档之间的相似性。
我想过对于具有相同质心（用k均值聚类）的N + 1个文档重新运行k = 3的聚类，并查看新文档是否落在哪里，但也许还有其他方法可以做那？
对Mahout可能有用吗？或者我的想法在概念上是错误的？ （例如，在Mahout的API而言将是非常好的）
感谢一个长的问题很多，不好意思（不能更好地描述它）
任何帮助，高度赞赏
附：这不是一个家庭工作项目:)