1. 傳統的文本聚類算法
傳統的文本聚類算法分爲以下幾種
1.1 分割方法(partitioning methods)
1.1.1 K-MEANS算法：
工作原理：
首先從n個數據對象任意選擇 k 個對象作爲初始聚類中心；而對於所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然後再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重複這一過程直到標準測度函數開始收斂爲止。一般都採用均方差作爲標準測度函數. k個聚類具有以下特點：各聚類本身儘可能的緊湊，而各聚類之間儘可能的分開。
具體過程:
(1)選取k個對象作爲初始的聚類種子;
(2)根據聚類種子的值,將每個對象重新賦給最相似的簇;
(3)重新計算每個簇中對象的平均值,用此平均值作爲新的聚類種子;
(4)重複執行(2)、(3)步,直到各個簇不再發生變化。
1.1.2 K-MEDOIDS算法：
與K-MEANS算法不同的是在衡量收斂標準，K-MEDOIDS算法用聚類對象到中心點的距離和值而不是平局值。
K-MEDOIDS算法對小數據集合非常有效，減少了噪聲的干擾，比K-MEANS算法更有健壯性，但執行代價比較高，且對於大的數據集沒有良好的伸縮性。
1.1.3 CLARANS算法：
基礎是K-MEDOIDS思想。給定含有N個數據對象的數據集X，發現 k 箇中心點的過程被看作是搜索圖G的過程。G的每一個定點表示一組k箇中心點集合，圖創建後從定點逐個搜索整個圖，並且計算每個定點所對應的聚類結果的平局距離，求出全局最優的聚類結果。爲避免計算量過大，此算法用隨機重啓局部搜索計算對圖進行搜索。所以算法設置參數，限制局部搜索的重啓次數 nunlocal 和限制當前搜索定點的最大搜索鄰居數 maxneighbor 對算法的影響很大。
算法多用於大規模的數據處理。
我的問題在於，不是很明瞭這些算法中的距離對於文本文件來說要怎麼去計算。
1.2. 層次方法(hierarchical methods)
1.2.1 BIRCH算法：
（1）掃描數據庫，建立動態的一棵存放在內存的CF Tree。如果內存不夠，則增大閾值，在原樹基礎上構造一棵較小的樹。
（2）對葉節點進一步利用一個全局性的聚類算法，改進聚類質量。
1.2.2. CURE算法:
基本原理：
針對大型數據庫的高效的聚類算法。基於劃分的傳統的聚類算法得到的是球狀的，相等大小的聚類，對異常數據比較脆弱。CURE採用了用多個點代表一個簇的方法，可以較好的處理以上問題。並且在處理大數據量的時候採用了隨機取樣，分區的方法，來提高其效率，使得其可以高效的處理大量數據。
算法實現：
CURE的算法在開始時，每個點都是一個簇，然後將距離最近的簇結合，一直到簇的個數爲要求的K。它是一種分裂的層次聚類。算法分爲以下6步：
1）從源數據對象中抽取一個隨機樣本S。
2）將樣本S分割爲一組劃分。
3）對劃分局部的聚類。
4）通過隨機取樣提出孤立點。如果一個簇增長得太慢，就去掉它。
5）對局部的簇進行聚類。
6）用相應的簇標籤標記數據。
1.3. 基於密度的方法(density-based methods)
算法的基本思想：
基於密度的方法與其它方法的一個根本區別是：它不是基於各種各樣的距離的，而是基於密度的。這樣就能克服基於距離的算法只能發現“類圓形”的聚類的缺點。這個方法的指導思想就是，只要一個區域中的點的密度大過某個閥值，就把它加到與之相近的聚類中去。
代表有.DBSCAN算法：OPTICS算法：.DENCLUE算法等；
1.4. 基於網格的方法(grid-based methods)
這種方法首先將數據空間劃分成爲有限個單元（cell）的網格結構,所有的處理都是以單個的單元爲對象的。這麼處理的一個突出的優點就是處理速度很快，通常這是與目標數據庫中記錄的個數無關的，它只與把數據空間分爲多少個單元有關。
代表算法有：
1.4.1 CLIQUE算法：
CLIQUE算法採用了基於網格和密度的方法。首先對每個屬性進行等分，整個數據空間就被分成一個超長方體集合，對每個單元進行數據點計數，大於某個閾值的單元稱這稠密單元，然後對稠密單元進行連接就構成類。不同於其它方法，它可以自動地識別嵌入在數據子空間中的類。
好處是能夠在高維空間中，它能夠有效地進行聚類，並且能夠發現嵌套在高維空間中的聚類。
1.4.2 WAVE-CLUSTER算法：
工作原理：
WaveCluster算法中把多維空間數據看作是多維信號，首先將數據空間網格化，然後用小波變換技術（Wavelet transform）把信號從空間域轉換到頻率域。在小波變換中，用一個合適的內核函數進行旋轉，產生一個變形後的空間，使數據中的簇易於區分。然後在變換後的空間中通過尋找密集區域對應起來。
WaveCluster算法通過把d維數據對象看作是d維信號，信號的高頻部分對應特徵空間中對象分佈有急劇變化的區域，也就是類簇邊界；而低頻中高振幅部分則對應於對象分佈比較集中的區域，也就是簇的內部。通過信號處理中的小波變換技術把信號分解成不同的頻率段，找出d維信號的高頻部分和低頻部分，也就找出了簇。其中的噪聲可以自動地被消除。
算法的步驟：
步驟1） 對特徵空間進行量化，把每個維度分成m段，這樣，整個空間分成單元，然後把對象分機到相應的單元；
步驟2） 對量化後的特徵空間進行離散小波變換；
步驟3） 在變化後的特徵空間的子波段中找出相連的部分，就是簇；
步驟4） 爲每個簇所包含的單元分配相應的標籤；
步驟5） 建立查找表，用於把變換後特徵空間中的單元映射到原特徵空間中的單元；
步驟6） 把每個單元的標籤分配給該單元內的所有對象。
WaveCluster算法不受噪聲影響，對輸入順序不敏感，不需要事先知道簇的數目，並且能夠快速處理大型數據集，能夠發現任意複雜形狀的聚類。
WaveCluster算法是一種基於網格和基於密度的算法。它符合好的聚類算法的許多要求：它能有效地處理大數據集，發現任意形狀的簇，成功地處理離羣點，對輸入的順序不敏感，不需要指定求諸如結果的數目和領域半徑等輸入參數。
這個方面的算法完全是搬照過來的，我最近在看，只是明瞭基礎意思，對實際的運行原理不清楚。
總結，這些都是一些傳統的聚類算法，但都包含了現在的思想，是其它算法的基礎。目前的這些算法在網上可以找到源代碼，但是它的發展並沒有得到完全，而且由於用處和用法的不同，每種算法有不同的缺陷，所應用的領域也大有不同。大部分的人都是從中應用其思想根據自己的需求進行改進
