算法参数:迭代次数、组大小(即:组内元素个数)
基本概念:
1、迭代次数:每次迭代总是基于前一次迭代结果基础之上,获取每个组都中间元素。作为新迭代都首元素。
2、组:也叫聚类、簇。
2、组大小:也可称为聚类大小、簇大小。每个聚类圆所包含的元素数量。
计算过程(例如:文档数为31笔,迭代次数:40,组大小:10):
1、从待处理文档中,随机获取一个文档id作为第一个迭代的,各个组的首元素。生成共3组的首元素。
2、补齐组内剩余元素,从剩余的28笔文档获取和第一组第一个文档最相似的文档,补齐剩余9个文档。
方法类似,补齐第二组的剩余文档。所有组补齐完成以后,形成第一个迭代。
每次计算剩余文档和首元素的相似度时,用到了topN取值方法。
排序方法采用:大根堆排序。
3、在上一个迭代的基础之上,获取每组的中间文档,作为下一个迭代的首文档。然后,补齐剩余的文档,补齐过程和2一样。
4、迭代40次,获取最后一次迭代结果。