在python中使用亲和传播对word2vec向量进行集群（sklearn）

我想使用关联传播对我的word2vec集群进行集群，并获取集群中心词

我目前的代码如下

model = word2vec.Word2Vec.load("word2vec")
word_vectors = model.wv.syn0
affprop = AffinityPropagation(affinity="precomputed", damping=0.5)
af= affprop.fit(word_vectors)

但是，这会引发以下错误：

ValueError:S必须是方形数组（shape=（77300））

据我所知，300表示word2vec隐藏层维度，77表示我的词汇量

我只是想知道如何使用非方形数组的word2vec向量的亲和传播

---

请帮帮我

这是因为您说过样本之间的亲和力已经计算过了，它始终是一个平方矩阵。因此，您可以使用已实现的欧几里德距离，或者如果您想使用不同的度量，则必须对其进行预计算，请参见下面的示例代码：

# some dummy data
word_vectors = np.random.random((77, 300))

# using eucliden distance
affprop = AffinityPropagation(affinity='euclidean', damping=0.5)
af = affprop.fit(word_vectors)

# using cosine
from sklearn.metrics.pairwise import cosine_distances
word_cosine = cosine_distances(word_vectors)
affprop = AffinityPropagation(affinity='precomputed', damping=0.5)
af = affprop.fit(word_cosine)

---

非常感谢你的回答：）我们可以像你提到的那样直接计算余弦距离吗？还是我们需要使用这样的方法：

index=gensim.comparisons.matrix相似性（gensim.matutils.Dense2Corpus（word_vectors））对于索引中的sims:similarity_matrix.append（sims）similarity_array=np.array（similarity_matrix）

您可以使用任何方法计算距离。为了简单起见，我倾向于使用scikit。您能告诉我我们输入到亲和传播的矩阵是否需要是距离矩阵吗？我们可以输入相似矩阵吗？：）它应该是一个相似矩阵。很抱歉，我上次的评论有歧义，基本上scikit使用负欧几里德距离，因此较大的值表示值更接近。