我想使用k-means聚类(机器学习)来对Solr Lucene中的文档进行聚类。文档通常有很多字段,其中一些是文本字段,还有一些是用于地理空间距离计算的位置(纬度和经度)。Solr提供了一种方法,可以根据索引中的特定字段(包括地理空间字段,使用Solr查询表达)来计算两个文档之间的得分(距离)。有没有办法利用这种“自定义距离”来执行k-means算法?
我想进一步解释一下“自定义距离”,通常对于“维度1”给定一个值X,另一个文档中对于相同的“维度1”也有一个类似的数值,我们计算欧几里得距离。
但是,在这个Solr的使用案例中,文档之间的距离是通过使用给定文档集的Solr相关性得分即时获得的。这相当于自定义距离。有没有工具或方法可以在这里提供帮助?
我可以使用R、Mahout或Octave来做这件事吗?
我知道我们可以从Solr中导出词向量并使用Mahout来做同样的事情,但这似乎需要导出,并且在Mahout中再次做Solr已经做过的事情来评分。此外,使用Solr查询计算距离的地理空间和优雅性也丢失了。
编辑:Solr的Carrot2似乎不适合,因为它更适合优化搜索结果(少于1K的结果)
回答:
您可以使用任何库或自实现的k-means来基于给定的相似性得分进行聚类。