首先，一般来说，没有最好的方法来完成这项任务。这将需要一些创造力和解决问题的能力

这是一个潜在的想法。聚类涉及某种相似性度量。您可以计算文本文档之间的相似度（例如，在 TF-IDF 等术语加权之后，您可以使用余弦相似度）。您还可以使用分类数据计算对象之间的相似性。匹配系数是很好的选择。例如，http ://en.wikipedia.org/wiki/Simple_matching_coefficient 几乎是最基本的，但是您可以通过简单的 google 搜索找到许多其他分类数据的相似性度量。

因此，如果我有一个基于文本给出相似度的相似度矩阵A ，以及一个基于分类属性给出相似度的相似度矩阵B ，那么我可以采用A和B的某种加权组合并将其用作整体相似度聚类矩阵。也许凸组合会很好地工作，并为您提供一些灵活性来选择您想要更大权重的相似性度量（因为听起来分类信息可能没有那么好）：

选择一些参数$0\leq \alpha\leq 1$并计算整体相似度矩阵S为

然后，您可以使用任意数量的使用相似性信息的聚类算法。例如，$k$-means 在作为输入的相似性矩阵上应该可以正常工作。任何类型的图/谱聚类算法也非常适合这种类型的输入。