我对聚类技术还不太熟悉，之前只实现过几个算法。我需要根据相似性对推文进行聚类。一种方法是仅使用标签，但我认为这不够信息量大。因此，应该分析完整的推文内容。
此外，我在网上搜索了用于聚类信息流的算法。
我遇到的一种是TF-IDF。我想知道是否有比TF-IDF更好的算法，可以在几个小时内实现。另外，我对有关Twitter信息流聚类的信息来源也很感兴趣。
附注：推文数量：10^5
回答：
正如Anony Mousse在上面的评论中指出的，TF/IDF只是一个标准化措施，确保在所有文档中过于流行的词不会获得过多的重要性。
对于数据准备，我建议阅读这篇文章以及它的第二部分（通过上面的链接连接），如果你还没有读过的话。从每条推文中获取一个数字向量是非常重要的。一般来说，在机器学习中，获取特征向量是很重要的，因为这样，你就可以对数据应用数学算法了。
现在，你已经为集合中的每条推文获得了一个特征向量，事情就变得简单了一些。我想到的两个聚类算法，你可以在几个小时内分别完成，可能需要一个周末进行广泛的测试。
- K均值聚类
- 单链接层次聚类
仅有10万条推文，你实际上应该能够在一台计算机上实现这些算法（即这不是大数据——不需要集群计算），使用你喜欢的语言（C++、Java、Python、MATLAB等）。就我个人而言，我认为实现K均值聚类（我之前做过）比层次聚类（我也做过）更容易。
编辑：请仅在你有标记的训练数据时才遵循下面的评论，即你有标记了情感的推文（如，快乐用户、一般、产品不好、愤怒用户、辱骂用户），并且你想回答的问题是：给定一条新推文，它的情感是什么？
这里有一个非常好的资源，你应该看看，以更好地理解K最近邻算法：
一般来说，对于其他两个算法，有很多资源，维基百科文章是最好的起点。就我个人而言，我觉得K最近邻（简称k-NN）是三者中最容易实现的，并且会给你快速的结果。
