在 MATLAB 中对文本进行聚类

Question

我想在 MATLAB 中对文本进行层次凝聚聚类。比如说，我有四个句子，

I have a pen.
I have a paper. 
I have a pencil.
I have a cat. 

我想对上面的四个句子进行聚类，看看哪个更相似。我知道统计工具箱有像pdist这样的命令来测量成对距离，linkage来计算聚类相似度等。一个简单的代码，如：

X=[1 2; 2 3; 1 4];
Y=pdist(X, 'euclidean');
Z=linkage(Y, 'single');
H=dendrogram(Z)

工作正常并返回树状图。

我想知道我可以在上面提到的文本上使用这些命令吗？有什么想法吗？

---

更新：

感谢 Amro。阅读理解并计算字符串之间的距离。代码如下：

clc
S1='I have a pen'; % first String

f_id=fopen('events.txt','r'); %saved strings to compare with
events=textscan(f_id, '%s', 'Delimiter', '\n');
fclose(f_id); %close file.
events=events{1}; % saving the text read.

ii=numel(events); % selects one text randomly.
% store the texts in a cell array

for kk=1:ii

   S2=events(kk);
   S2=cell2mat(S2);
   Z=levenshtein_distance(S1,S2);
   X(kk)=Z;

end 

我输入一个字符串，并且保存了 4 个字符串。现在我使用levenshtein_distance函数计算成对距离。它返回一个矩阵X=[ 17 0 16 18 16]。

** 我想这是我的成对距离矩阵。与 pdist 的做法类似。是吗？

** 现在，我尝试输入 X 来计算链接，如

Z=linkage(X, 'single);

我得到的输出是：

使用 ==> 时出错93 尺寸的联动 Y 与输出不兼容 PDIST 函数。

错误==>无题2 20岁 Z=联动(X,'单') .

为什么会这样呢？到底能用联动功能吗？帮助表示赞赏。

更新 2

clc
S1='I have a pen';

f_id=fopen('events.txt','r');
events=textscan(f_id, '%s', 'Delimiter', '\n');
fclose(f_id); %close file.
events=events{1}; % saving the text read.

ii=numel(events)+1; % total number of strings in the comparison

D=zeros(ii, ii); % initialized distance matrix;
for kk=1:ii 

    S2=events(kk);

    %S2=cell2mat(S2);

    for jk=kk+1:ii

  D(kk,jk)= levenshtein_distance(S1{kk},S2{jk});

    end

end

D = D + D';       %'# symmetric distance matrix

%# linkage expects the output format to match that of pdist,
%# so we convert D to a row vector (lower/upper part of matrix)
D = squareform(D, 'tovector');

T = linkage(D, 'single');
dendrogram(T).

错误：???来自非单元格数组对象的单元格内容引用。 错误==>无题2 22岁 D(kk,jk)= levenshtein_distance(S1{kk},S2{jk});

另外，为什么我要从第一个循环内的文件中读取事件？看起来不符合逻辑。有点困惑，如果我可以这样工作，或者唯一的解决方案是在代码中输入所有字符串。非常感谢帮助。

用于比较两个句子的更新

代码：

clc
    str1 = 'Fire in NY';
    str2= 'Jeff is sick';

D=levenshtein_distance(str1,str2);
D = D + D';       %'# symmetric distance matrix

%# linkage expects the output format to match that of pdist,
%# so we convert D to a row vector (lower/upper part of matrix)

%D = squareform(D, 'tovector');

T = linkage(D, 'complete');
[H,P] = dendrogram(T,'colorthreshold','default');  

输出D=18。

与不同的字符串：

clc
str1 = 'Fire in NY';
str2= 'NY catches fire';

D=levenshtein_distance(str1,str2);
D = D + D';       %'# symmetric distance matrix

%# linkage expects the output format to match that of pdist,
%# so we convert D to a row vector (lower/upper part of matrix)

%D = squareform(D, 'tovector');

T = linkage(D, 'complete');
[H,P] = dendrogram(T,'colorthreshold','default'); 

D=28。

根据距离，完全不同的句子看起来很相似。我想做的是，如果我存储了纽约火灾，我不会存储纽约着火。但是，对于第一种情况，我会存储为新信息。

LD 足以做到这一点吗？帮助表示赞赏。

Answer 1

您需要的是一个可以处理字符串的距离函数。查看Levenshtein 距离（编辑距离）。有很多实现：

• Wikibooks.org
• FEX 上的“计算字符串之间的距离”

或者，您应该提取一些有趣的特征（例如：元音数量、字符串长度等）来构建向量空间表示，然后您可以在新表示上应用任何常见的距离度量（欧几里德，...）。

---

编辑

您的代码的问题是LINKAGE 期望输入距离格式与 PDIST，即对应于按 1-vs-2、1-vs-3、2-vs-3 等顺序排列的观测对的行向量。它基本上是完整距离矩阵的下半部分（因为它的应该是对称的 dist(1,2) == dist(2,1))

%# instances
str = {'I have a pen.'
    'I have a paper.'
    'I have a pencil.'
    'I have a cat.'};
numStr = numel(str);

%# create and fill upper half only of distance matrix
D = zeros(numStr,numStr);
for i=1:numStr
    for j=i+1:numStr
        D(i,j) = levenshtein_distance(str{i},str{j});
    end
end
D = D + D';       %'# symmetric distance matrix

%# linkage expects the output format to match that of pdist,
%# so we convert D to a row vector (lower/upper part of matrix)
D = squareform(D, 'tovector');

T = linkage(D, 'single');
dendrogram(T)

请参阅相关函数的文档以获取更多信息...