漠河的博客

用Kmeans算法对指定中文数据集聚类：（1）使用jieba进行分词（2）去除停用词（3）构建特征向量（4）使用Kmeans算法进行聚类。

jieba 库的分词原理是利用一个中文词库，将待分词的内容与分词词库进行比对，通过图结构和动态规划方法找到最大概率的词组；除此之外，jieba 库还提供了增加自定义中文单词的功能。支持三种分词模式1、精确模式，试图将句子最精确地切开，适合文本分析；2、全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；3、搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。