这将取决于目的和文本。很多选项这是我用过的。

使用TF-IDF进行k 均值聚类

我所做的是将集群和任何文档向量限制为按权重排序的前 1000 个术语。这不仅会导致更快的处理，而且您会获得一些多模式集群，并且会有成千上万的术语。与即使是很长的单个文档相比，会发生的情况是那些非常长的向量稀释了相似性。我认为你也会得到更快的收敛。如果您想将文档排除在多模式集群之外，请不要截断集群向量。

tf-idf 向量是一个简单的开始，但很难对非常高维的数据进行聚类。

您可以尝试主题建模（例如 LDA、LSI）来降低特征的维度。

一种较新的方法是段落向量，它学习任意长度文本的分布式表示。这是python中的一个实现。

学习文本的合理、低维表示可以帮助解决试图对高维数据进行聚类时出现的问题。

使用聚类的文本分类可以通过多种方式完成。其中一些是：

• 使用K-means 算法 （另一个链接）
• 特征投影

事实上，大多数（或几乎所有）聚类算法都可以应用于通过聚类对文本进行分类。