我正在尝试对一个极其稀疏的文本语料库进行聚类，并且我知道聚类的数量（我的数据是科学出版物的标题和作者列表，我已经知道类别的数量）。

我的语料库中的每个条目都有 5 到 20 个特征；整个语料库有 80000 个样本和 5000-120000 个特征（我可以过滤掉一些很少出现的特征，或者那些非常频繁出现的特征）。如您所见，数据非常稀疏。

我试图通过创建数据的 TF-IDF 矩阵并在其上运行k均值来识别集群。该算法完全失败，即它将超过 99% 的数据放在同一个集群中。我在这两个步骤中都使用 Python scikit-learn。这是一些示例代码（关于实际工作的数据），以防它对某人有所帮助：

    from sklearn.cluster import KMeans 
    from sklearn.feature_extraction.text import TfidfVectorizer
    vectorizer = TfidfVectorizer()
    data = ['aa ab','aa ab','ac a_b','ac a_b','bc ba', 'bc ba', 'ba bc'] 
    vectorized = vectorizer.fit_transform(data)
    km = KMeans(n_clusters=3, init='random', n_init=1, verbose=1)
    km.fit(vectorized)
    print km.labels_

    [1 1 0 0 2 2 2]

我的问题是：对于这个问题，有没有更好的替代 TF-IDF 的方法，然后是k方法？开始在我的 TF-IDF 数据上寻找不同的距离度量（例如余弦相似度）是否有意义，或者我是否会因为缺乏数据而失败？谢谢！