我正在使用k-means聚类来对一组新闻项目进行分组。我使用词袋模型来表示文档，更具体地说，每个文档被表示为术语频率向量。

我的问题是：如何在不重新计算所有术语频率向量的情况下添加新文档（考虑到包含所有文档所有术语的词汇表会发生变化）？

回答：

简单的方法是使用你已经见过的文档的词汇表，忽略任何新术语；这在文档分类中是常见的做法。

另一种近年来变得流行的解决方案是完全放弃词汇表，转而使用特征哈希。

第三种可能性是为特征向量预留空间以容纳未来的术语。例如，假设你正在用大小为N的词汇表对一批文档进行向量化，那么你实际上可以将它们转换为大小为N + K的向量，最后的K最初设置为零，这样你以后可以向词汇表中添加最多K个术语。

（直接在哈希表上计算点积、均值等可能不是一个解决方案。这可能是最灵活的方法，但通常非常慢。）