我使用领域文本语料库生成了一个100维的词向量模型，并合并了常见短语，例如（good bye => good_bye）。然后我提取了1000个所需词的向量。
因此，我有了一个包含1000个numpy.array的数组，如下所示：
[[-0.050378,0.855622,1.107467,0.456601,...[100 dimensions], [-0.040378,0.755622,1.107467,0.456601,...[100 dimensions], ... ...[1000 Vectors]]以及一个单词数组，如下所示：
["hello","hi","bye","good_bye"...1000]我已经对数据进行了K-Means聚类，得到的结果是合理的：
X = np.array(words_vectors)kmeans = KMeans(n_clusters=20, random_state=0).fit(X)for idx,l in enumerate(kmeans.labels_): print(l,words[idx])--- Output ---0 hello0 hi1 bye1 good_bye0 = 问候 1 = 告别
然而，一些词让我觉得层次聚类更适合这个任务。我尝试使用了AgglomerativeClustering，可惜…对于这个Python新手来说，事情变得复杂，我迷失了方向。
我该如何聚类我的向量，使输出大致像这个维基页面上的树状图那样？
回答：
直到现在我也有同样的问题！每次在线搜索（关键词 = 词向量上的层次聚类）总能找到你的帖子。我不得不给你一个可能有效的解决方案。
sentences = ['hi', 'hello', 'hi hello', 'goodbye', 'bye', 'goodbye bye']sentences_split = [s.lower().split(' ') for s in sentences]import gensimmodel = gensim.models.Word2Vec(sentences_split, min_count=2)from matplotlib import pyplot as pltfrom scipy.cluster.hierarchy import dendrogram, linkagel = linkage(model.wv.syn0, method='complete', metric='seuclidean')# calculate full dendrogramplt.figure(figsize=(25, 10))plt.title('Hierarchical Clustering Dendrogram')plt.ylabel('word')plt.xlabel('distance')dendrogram( l, leaf_rotation=90., # rotates the x axis labels leaf_font_size=16., # font size for the x axis labels orientation='left', leaf_label_func=lambda v: str(model.wv.index2word[v]))plt.show()