文本聚类是搜索引擎和语义web的基本技术，这次本蛙和大家一起学习一下简单的文本聚类算法，可能不能直接用于实际应用中，但对于想学搜索技术的初学者还是有一定入门作用的。这里会用到TF/IDF权重，用余弦夹角计算文本相似度，用方差计算两个数据间欧式距离，用k-means进行数据聚类等数学和统计知识。关于这些概念可以去google，或者参考文本后的参考链接。

文本分来，文中进行了分词，去停用词，用TFIDF来实现

相似 适用词，语法，句子，词法分析，情感分析，语义分析等相关的相似度计算。 相似度是由一系列算法组成的Java版相似度计算工具包，目标是传播自然语言处理中相似度计算方法。相似度是工具实用，性能高效，架构清晰，语料时新，可自定义的特点。 相似性提供下列功能： 词相似度计算 词林编码法相似度 汉语语义法相似度 知网词相似度 字面编辑距离法 初步相似度计算 简单而言相似度 句子相似度计算 词性和词序结合法 编辑距离算法 Gregor编辑距离法 优化编辑距离法 文本相似度计算 余弦相似度 编辑距离算