String 用ELKI聚类字符串数据

我需要根据编辑距离/Levenshtein距离使用ELKI对大量字符串进行聚类。由于数据集太大，我希望避免基于文件的预计算距离矩阵。我怎么能

（a） 从文件（仅“标签”）加载ELKI中的字符串数据

（b） 实现一个访问标签的距离函数（扩展AbstractDBIDDistanceFunction，但是如何获取标签？）

---

一些代码片段或示例输入文件会很有帮助。

实际上非常简单：

A）编写一个适合输入文件格式的

解析器（为什么要尝试重用为带标签的数字向量编写的解析器？），可能是子类化，生成所需数据类型的关系（可能您可以使用
String
。如果您想更一般一点，那么
TokenSequence
对于这些距离可能是一个更合适的概念。字符串只是最简单的情况

B）基于此向量类型而不是DBID实现
距离函数
，即
基本距离函数
。再次强调，子类化可能是最简单的方法

出于性能原因，您可能还需要研究索引算法，以高效检索k个最相似的字符串。我不确定字符串编辑距离和levenshtein距离存在哪些索引结构

一位同事的一个学生显然有一些工作令牌编辑距离，但我还没有看到或查看代码。由于他正在处理日志文件，他可能会使用基于令牌的方法，而不是字符。
感谢您的快速和有用的建议-现在可以了。我唯一更改的是扩展
AbstractParser
和
解析器
而不是
AbstractStreamingParser
（比如
BitVectorLabelParser
），因为我在生成带有
AbstractStreamingParser
子类的字符串时得到了[1]。我将研究索引算法，以备不时之需。[1]
NoSupportedDataTypeException:找不到满足以下条件的数据类型：字符串可用类型：DBID…
As for[1]您可能没有发布“代码>事件”。Meta Author“事件”。但除此之外，您是否考虑将代码贡献给ELKI，以便其他人也可以使用它？我确信您不是唯一感兴趣的LaveStin距离和字符串。