我运行了来自 https://github.com/percyliang/brown-cluster 的布朗聚类算法，以及一个 Python 实现 https://github.com/mheilman/tan-clustering。它们都为每个独特的标记提供了一种二进制和另一个整数。例如：

0        the        610        chased        3110        dog        21110        mouse        21111        cat        2

二进制和整数分别代表什么意思？

从第一个 链接 中得知，二进制被称为 bit-string，参见 http://saffron.deri.ie/acl_acl/document/ACL_ANTHOLOGY_ACL_P11-1053/

但是，从输出中如何判断 dog 和 mouse 和 cat 属于同一个簇，而 the 和 chased 不属于同一个簇呢？

回答：

如果我理解正确的话，算法给你一个树状结构，你需要在某个层次上截断它来获得簇。对于这些位字符串，你应该只取前 L 个字符。

例如，在第二个字符处截断，你会得到两个簇

10           chased     11           dog        11           mouse      11           cat        

在第三个字符处，你会得到

110           dog        111           mouse      111           cat        

不过，截断策略是另一个话题。