马上，您可能想查看各种字符串距离。我唯一熟悉的是 Levenshtein 距离，它非常初级。您可以将其应用于句子或短语。

您可能还想了解一些自然语言处理技术，例如在对数据运行任何聚类算法之前对数据进行词干化和标记化。如果你喜欢 Python，我强烈推荐nltk，它有很多用于自然语言处理的包。它甚至可能为您提供聚类或距离算法。一个快速的谷歌给了我这个包，但我从来没有使用过它。

编辑：经过反思，我可能误解了您的问题-您是在聚类文档还是单词/短语？

对于几乎任何可以处理此类数据的聚类算法，您都需要首先定义距离或相似度函数。因此，您可能需要浏览有关适合您任务的距离函数的文献。

例如，TF-IDF 归一化向量表示上的余弦距离。