主题检测的策略与聚类算法

Question

我想知道解决以下问题的好策略或算法：

我所拥有的是:一组来自不同来源的新闻文章，每篇文章都有时间戳和新闻类别的加权向量。

我想要的是:来自不同来源、涉及同一主题的一组文章。

我基本上想复制google新闻的关键特性:为同一个主题展示主题和列出不同的新闻来源。

我已经有了像上面提到的新闻分类向量这样的文章的好特性，想知道我需要做的是选择正确的策略、聚类算法和库来做聚类。

聚类算法应该具有以下特性：

1. 没有固定数量的集群，(我不知道我的文章集中有多少个主题)。
2. 有效地将新文章映射到现有集群，或者在文章不适合现有集群的情况下创建新集群。
3. 考虑到文章的时间戳的相似性。
4. 如果要过时并从底层项目集中删除，则解散群集。

我从来没有做过任何聚类，所以我不知道是否有提供上述特性的聚类算法，或者其中一些特性太复杂，或者使聚类的速度减慢，因此我需要为它们找到解决办法。

知道吗，我把mahout看作一个集群库。是否已经准备好使用开放源代码实现来使用mahout或其他库进行主题检测？

Answer 1

当您还不知道集群的数量时，我认为下面的文章是我在主题检测方面遇到的最好的方法之一。

http://www.uni-weimar.de/medien/webis/research/events/tir-08/tir08-papers-final/wartena08-topic-detection-by-clustering-keywords.pdf