首先，每个聚类算法都使用某种距离度量。这实际上很重要，因为每个指标都有自己的属性，并且适用于不同类型的问题。

你说你的记录之间有余弦相似度，所以这实际上是一个距离矩阵。您可以将此矩阵用作某些聚类算法的输入。

现在，我建议从层次聚类开始 - 它不需要定义数量的聚类，您可以输入数据并选择距离，或输入距离矩阵（以某种方式计算距离）。

请注意，层次聚类的计算成本很高，因此如果您有大量数据，则可以从样本开始。

我会使用 sklearn 的分层聚类

from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from scipy.cluster import  hierarchy

#Vectorizing
X = CountVectorizer().fit_transform(docs)
X = TfidfTransformer().fit_transform(X)
#Clustering
X = X.todense()
threshold = 0.1
Z = hierarchy.linkage(X,"average", metric="cosine")
C = hierarchy.fcluster(Z, threshold, criterion="distance")

C是您对文档的聚类docs。

您可以使用其他指标代替cosine，并使用不同的阈值0.1

DBSCAN可以用相似性度量而不是距离来轻松实现。您只需要将 <= epsilon 更改为 >= epsilon。

如果您交换“min”和“max”（您希望以最大相似性而不是最小相似性合并距离）。

如果你懒惰，你也可以将你的相似度转化为距离。如果你有一个固定的最大值， dist=max-sim 通常会这样做。

我认为clustMixType包可能会给你更好的结果/见解。

通过使用这个包，您可以直接使用分类和数字数据的组合，它不需要任何类型的热编码。

您只需要输入数据，它就会自动分离为分类数据和数值数据，如果您在分离时发现任何问题，您可以使用 和 之类的as.factor(to convert to a categorical)函数as.numeric(to convert to a Numeric field)。

您可以Lambda(mean Distance value)事先计算并作为算法的输入输入。

如果您不知道最佳聚类数，可以使用WSS(within Sum of Squares),plot(elbow chart)来确定最佳聚类数。