文本聚类 · K-means 在评论分析里怎么用 | 小朵科技工作室 博客

LDA 是主题模型，讲过；K-means 是聚类，跟 LDA 是两回事。

K-means 更快、更暴力，但要求先把文本转成向量。

完整流程：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

vectorizer = TfidfVectorizer(max_features=5000)
X = vectorizer.fit_transform(corpus.text.tolist())

km = KMeans(n_clusters=5, random_state=42)
labels = km.fit_predict(X)

K-means vs LDA 实际怎么选？

• 数据量 < 1 万：用 K-means，简单粗暴
• 数据量 > 1 万：用 K-means（minibatch 版本） + LDA 双跑，互为验证
• 主题需要可解释：用 LDA，出来的「主题词」就是答案
• 主题只需要聚类：K-means 更省事

一个细节：评论里「机器重复刷评」会自己聚成一类，这反而是个免费的垃圾评论检测器。

---

本文由 BBZ · 小朵科技工作室 出品。