nlp - 文本相似度的分组算法

Question

所以我正在研究一个项目，基于 Chali 在他的“Document Clustering with Grouping and Chaining Algorithms”研究论文中的分组算法。

我已经到了第 4.1 节。我试图在查找有关同一主题的文章的上下文中理解，集群重叠是什么意思？

我已经确定了文章之间的余弦相似度得分。例如

所以说文章x是监护人文章

{

文章 1 - 与文章 x 相比，cnn 文章 0.1 余弦分数（无阈值）

文章 2 - 与文章 x 相比，cnn 文章余弦 0.8 余弦分数（插入高阈值簇）

文章 3 - 与文章 x 相比，cnn 文章余弦 0.5 余弦分数（插入低阈值集群）

}

我的问题是，我是否正确识别了集群？例如，我可以将来自其他出版商的故事混合到这个集群中吗？

当文章说“如果不超过 2 个文本与最终集群重叠，那么我们将此组作为最终集群”。解释这对我来说也很困难，就像我说的我不确定“重叠”是什么意思。

谢谢您的帮助！

标签： nlpsimilaritycosine-similaritylinguistics