1樓：蔣蔣
可以使用譜聚類，譜聚類演算法的框架下後續任務需要用常規聚類演算法如Kmeans完成，具體可參見譜聚類（spectral clustering）原理總結
2樓：Alphacat
除了基於相似性的聚類方法如譜聚類以外，如果非要用kmeans也是可以的，需要kernel trick變換一下。具體可以參考
A unified view of kernel kmeans, spectral clustering and graph cuts.
3樓：dave hou
如果你希望用kmeans，可以先將similarity matrix 轉化成點的座標。
方法參見 Multidimensional scaling這裡也對multidimensional scaling 有乙個比較好的介紹
cn/teachers/yaoy/reference/book05.pdf如果不一定要用kmeans，可以用spectral clustering, spectral clustering就是在similarity matrix 上進行操作的。
4樓：王贇 Maigo
k-means 演算法裡有一步是「求各類的均值」，為此需要知道每個資料點的座標。
如果只有資料點之間的相似度矩陣，那麼有兩種做法：
通過某種演算法（如 t-SNE）將資料嵌入到某個空間裡面，得到座標，然後再使用 k-means；
直接使用基於相似度矩陣的聚類方法。我並不知道具體有哪些演算法，題主可以 Google「clustering with similarity matrix」搜尋一下。
如果有答主能對基於相似度矩陣的聚類方法做個簡單的綜述，就最好啦~
如何定義 相似度 ？
wai 我想到一種相對簡單易理解的辦法，就是假定部分的相似度大致反映整體相似度。具體來說，先測量樣本人群每個人鼻尖相對面部的高度，然後計算標準差 測量樣本貓群每只貓的鼻尖相對面部的高度，同樣計算標準差。因為人和貓塊頭不一樣，為了消除這一影響，可以把各自的標準差除以各自的體積 為了方便，可以用體重代替...
如何形象地理解矩陣的相似與合同？
張子凡 你不覺得相似與合同的定義很像麼？若C正交時，則有 即 由此可見，相似是合同當C正交時的一種特例。相似是線性變換的恰到好處。合同是線性變換的沒那麼完美，但也是有一些性質可用的。我的部落格 五塊蛋糕 相似是同乙個線性變換在不同基下的矩陣，這個好理解。下面說一下合同吧。合同是同乙個二次曲線 用二次...
如何提公升文字相似度匹配？
NLP問題的模型對語料的依賴非常大，通用的語料訓練出來的模型一般也就當個引數的初始化，需要結合自己領域的語料去做fine tune.既然要做文字相似，就要有標註的資料，包括相似語料的樣本，和不相似的語料樣本，然後可以通過triplet loss 的方式去進行fine tune.Google 公開的B...