網上搜索關鍵詞“短文本 相似度”，出來的結果基本上都是以BOW（Bag of words）的VSM方案，大致流程如下：
分詞 —> 提取關鍵詞 —> 計算tf或if-idf，以向量的形式替換原文本 —> 文本相似度的問題轉變為計算向量相似度
壹開始這樣的壹個思路，很清晰明了，而且網上相應的資料也很多，然後就開搞吧。
1、把所有短文本去掉標點符號，用jieba分詞分好詞，去除停用詞，得到分好的文本；
2、按壹定規則抽取特征詞匯，作為後期向量的每壹維；
3、用sklearn庫中的原生方法CountVectorizer、TfidfVectorizer等得到矩陣；
4、每個短文本計算對應得到的向量，采用K-Means聚類的方法進行非監督學習。
文本分類的大致思路基本上就如上所述，具體的細節調整就視實際情況而定。然而，想法是美好的，現實是殘酷的，全部分好詞的文本，抽取的特征詞較多，即向量的維度較大，且向量是稀疏的，在使用K-Means時，會出現有個別cluster下的文本數量特別大；