用 KMeans 算法做文本相关聚类（像句向量、文本向量这类）的小技巧

这是讲用 KMeans 算法做文本相关聚类（像句向量、文本向量这类）的小技巧，拆解成唠家常式的：

1. “先设定较多的聚类类别”

就好比你要整理一堆衣服，先别想着直接分成 “上衣、裤子” 这几大类，而是多设些类别，比如 “T 恤、衬衫、卫衣、牛仔裤、运动裤” 等等 。这样先细分，后面再调整，能更细致地把相似的聚到一块儿，避免一开始分太粗，把不太一样的硬凑一堆。

2. “聚类结束后计算类内平均距离”

聚类完，每个类别里的东西（文本向量）得看看它们内部有多 “像” 。距离就代表差异，平均距离就是把一个类别里所有两两之间的距离算平均。平均距离小，说明这堆东西内部很像，抱团抱得紧；平均距离大，就是内部差异大，不太像一伙儿的。

3. “排序后，舍弃类内平均距离较长的类别”

把所有类别按平均距离排排队，那些平均距离特别长的，就像一堆衣服里，硬凑进去的 “异类” ，留着没啥用，干脆扔了，留下那些内部更相似、更紧凑的类别，这样聚类结果更干净、合理。

4. “计算距离时可以尝试欧式距离、余弦距离或其他距离”

算两个文本向量有多 “远”（差异多大），有不同方法。欧式距离就像量直线距离，余弦距离更关注方向上的差异（比如两篇文章主题是不是一个方向） ，可以都试试，看哪种更适合你手头的文本数据，能让聚类结果更好。

5. “短文本的聚类记得先去重，以及其他预处理”

要是处理短文本（像一句话、短评论），得先把重复的去掉，比如一堆 “好棒”“好棒”，留一个就行，不然重复内容会干扰聚类。另外，还得做些其他清理，像去掉没用的标点、停用词（的、地、得这些），让文本更 “干净”，聚类才更准 。

简单说，就是用 KMeans 搞文本聚类时，先多设类、再筛掉内部差异大的类，选合适的距离计算方式，处理短文本前还得清清重复和垃圾内容，这样聚类结果能更靠谱 。