我有一份包含1000多个关键词的列表，希望根据相似性将它们分组。

例如：

• “露台家具”
• “客厅家具”
• “二手椅子”
• “新椅子”

我希望”家具”和”椅子”这些词能够聚集在一起。

我知道一种方法是预先选择一些”中心”词，然后计算每个词到这些中心词的Levenshtein距离，并使用kmeans进行聚类。

但我想了解的是，在不预先指定像”椅子”和”家具”这样的中心词的情况下，如何进行这种聚类。

谢谢。

回答：

你可以使用stringdist包来计算距离矩阵：

str <- c("露台家具", "客厅家具", "二手椅子", "新椅子")
library(stringdist)
d <- stringdistmatrix(str, str)

stringdist支持多种距离函数。默认使用的是’受限的Damerau-Levenshtein距离’。然后你可以将这个距离矩阵用于hclust来进行层次聚类：

cl <- hclust(as.dist(d))
plot(cl)

hclust有多种不同的方法。请参阅?hclust。要创建固定数量的组（这里是2个）：

cutree(cl, 2)

但是，这可能只是众多可能的解决方案之一。