我有一个问题是按其含义将大量句子分组。这类似于当您有很多句子并希望按其含义对它们进行分组时的问题。
建议使用什么算法来做到这一点？我事先不知道集群的数量（随着更多数据的到来，集群也会发生变化），通常使用哪些特征来表示每个句子？
我现在正在尝试最简单的功能，只有单词列表和句子之间的距离定义为：
\ /
（A 和 B 是句子 A 和 B 中对应的词组）
这有意义吗？
我正在尝试将scikit 库中的 Mean-Shift算法应用到这个距离，因为它不需要提前的集群数量。
如果有人会针对该问题提出更好的方法/方法 - 将不胜感激，因为我对这个话题仍然很陌生。
查看Stanford NLP Group的开源软件，特别是Stanford Classifier。该软件是用 编写的Java，这可能会让您感到高兴，但也有一些其他语言的绑定。请注意，许可- 如果您计划在商业产品中使用他们的代码，您必须获得商业许可。
另一组有趣的开源库，恕我直言，适合这项任务等等，是机器学习 GraphLab 的并行框架，其中包括聚类库，实现各种聚类算法。它特别适用于非常大量的数据（就像您拥有的那样），因为它实现了MapReduce模型，因此支持多核和多处理器 并行处理。
您很可能知道以下内容，但我会提到它以防万一。自然语言工具包 (NLTK)包含用于Python对文本进行聚类/分类/分类的模块。查看NLTK Book中的相关章节。
更新：
说到算法，您似乎已经尝试过 中的大部分算法，scikit-learn例如这个主题提取示例中的说明。但是，您可能会发现其他有用的库，它们实现了各种聚类算法，包括非负矩阵分解 (NMF)。此类库之一是Python 矩阵分解 (PyMF)（源代码）。另一个更有趣的库，也是基于 Python 的，是NIMFA，它实现了各种NMF 算法。这是一篇研究论文，描述NIMFA。这里是其文档中的一个示例，它提供了主题聚类非常相似的文本处理问题的解决方案。