我试图使用kmeans来聚类相似的文档。

我使用的是NLTK的KMeans。

当我只聚类3个文档时，不到5秒就完成了。但一旦我添加第四个文档，它就无法完成（我在10分钟后放弃了）。

当有4个文档时，矢量大小大约是1000。矢量也是稀疏的，但我有8GB的RAM，所以我不担心这个问题。1000不应该太多。

有谁知道为什么它能在5秒内解决3个文档的问题，却无法在10分钟内解决4个文档的问题…至少在我放弃之前？当我投入生产时，理论上它将一次聚类300或400个文档。

我在考虑尝试不同的kmeans库，看看NLTK的实现是否有问题，但如果问题出在我身上，我不想浪费努力。

谢谢大家。

回答：

我切换到了Pycluster库，现在它可以工作了。