我尝试使用KMeansClustering方法对一些文档进行聚类，并成功创建了聚类。我保存了与特定文档对应的聚类ID，用于推荐。因此，每当我想推荐与特定文档相似的文档时，我会查询特定聚类中的所有文档，并从该聚类中返回n个随机文档。然而，从聚类中返回任何随机文档似乎并不合适，我在某处读到我们应该返回与所讨论文档最接近的文档。

因此，我开始寻找计算文档之间距离的方法，并发现了RowSimilarity方法，该方法返回与每个文档最相似的10个文档，按距离排序。现在这种方法依赖于相似性度量，如LogLikelihood等来计算文档之间的距离。

现在我的问题是，考虑到这两种方法都使用相似性距离度量来计算文档之间的距离，聚类与RowSimilarity相比，哪个更好或更差？

我试图实现的是根据产品的标题和其他文本属性对产品进行聚类，以推荐相似的产品。任何帮助都将不胜感激。

回答：

聚类不仅仅是分类或推荐的另一种变体。它是一个不同的学科。

当你进行聚类分析时，你希望发现数据中的结构。但接下来，你实际上应该分析你发现的结构。

现在，k-means并不是真正为文档设计的。它试图将数据集近乎最优地划分为k个Voronoi单元。除非你有充分的理由相信Voronoi单元是你的数据的良好划分，否则该算法可能几乎毫无用处。仅仅因为它返回了一个结果，并不表示这个结果是有用的。

对于文档，欧几里得距离（k-means实际上是在优化欧几里得距离）通常几乎毫无意义。这些向量非常稀疏，k-means聚类中心通常会类似于不可能的（因此是无意义的）“平均文档”。

我还没有开始讨论需要找到合适的k值，Mahout实现可能只是Lloyds k-means近似的近似，等等。你甚至检查过聚类的大小吗？在这种情况下，k-means通常会产生退化的结果。例如，几乎所有聚类包含1个或0个元素，而一个超大聚类包含其余的。在这种情况下，你实际上可能只是从你的数据库中返回随机文档…

仅仅因为你可以使用它，并不意味着它是有帮助的。请确保验证你的方法的各个步骤，例如聚类是否在任何方面有用和合理！