我是文本挖掘的新手，这是我的情况。假设我有一个单词列表['car'， 'dog'， 'puppy'， 'vehicle']，我想将单词聚类成k组，我希望输出为[['car'， 'vehicle']， ['狗'， 'puppy']]。我首先计算每个成对单词的相似度得分，得到一个 4x4 矩阵（在本例中）M，其中 Mij 是单词 i 和 j 的相似度分数。将单词转换为数字数据后，我利用不同的聚类库（例如sklearn）或自己实现它来获取单词聚类。
我想知道这种方法有意义吗？此外，我如何确定 k 的值？更重要的是，我知道存在不同的聚类技术，我在考虑我是否应该使用 k 均值或 k 中心点进行词聚类？
继Brian O'Donnell的回答之后，一旦你计算了与word2vec（或FastText或GLoVE，...）的语义相似性，你就可以使用sklearn.clustering对矩阵进行聚类。我发现对于小矩阵，光谱聚类提供了最好的结果。
值得记住的是，词向量通常嵌入在高维球体上。具有欧几里得距离矩阵的 K 均值无法捕获这一点，并且可能导致非近邻单词的相似性结果不佳。
如果你想
通过单词的"语义相似性"（即它们的含义的相似性）来聚类单词，请查看Word2Vec和GloVe。Gensim有一个Word2Vec的实现。 这个网页，"Word2Vec Tutorial"，由Radim Rehurek提供关于使用Word2Vec确定相似单词的教程。
除了已经说过的关于相似性分数的内容之外，在聚类应用程序中查找k通常由碎石图（也称为"肘部曲线"）辅助。在这些图中，您通常会测量 y 轴上的聚类与 x 轴上的聚类数之间的离散。在碎石图中找到曲线的最小值（二阶导数）可以更客观地衡量聚类"唯一性"。