对大规模网页(包含中文)进行结构聚类,一套模板或者非常相似的模板生成的网页分为一类,这方面有没有什么好的算法或者网页的特征怎么选取?哪些算法时间复杂度较低的?
只是个人YY,按照标签结构构建一棵树,计算下相似度
用k-means吧
特征可以考虑:
kmeans需要指定k啊, 在对数据整体情况不了解的情况下, 如何设置k就很麻烦可以尝试一下类似层次聚类的东西, 直接开始迭代