[ 13 ]相反，单词组合如 »honor« 和 »poder« (荣誉，权力；0.58)、»amores« 和 »agravios« (爱，不忠，复数形式；0.69)、»gracia« 和 »corte« (恩典，法庭；0.63) 或 »gracia« 和 »culpa« (恩典，内疚；0.60) 显示出较低的余弦相似度值。0.5 以下的余弦相似度值仅显示上下文中发展较弱的共性；这可以从以下词组看出：»amar« 和 »honra«（爱，名誉）、»muere« 和 »sepulcro«（他/她/它死去，坟墓）、»muerte« 和 »engaño«（死亡，欺骗）、»mueran« 和 »suerte«（他们可能会死去，命运）、»amores« 和 »honra«（爱，名誉）以及 »mentira« 和 »gracia«（谎言，恩典）。首先，很明显，卡尔德隆作品中的中心主题（“Amor, honor y poder” [26] - 爱、荣誉和权力）不一定必须相互关联。这可以归因于这样一个事实：喜剧和悲剧可以通过这些术语的不同组合来区分。可以预料的是，»honor« 和 »poder« 的组合更适合悲剧，而 »amar« 和 »honra« 的组合更适合喜剧，但并非适合所有作品。我们稍后会回到这一点。
3.2 实验1我们利用已知（或：已标记）的悲剧和喜剧来评估我们的文档聚类，如下所述，本着聚类纯度[27]分析的精神：我们将每个聚类分配给大多数已知从属关系的文档所属的类 。然后，我们考虑此聚类中已知的其他文档类，并计算纯度，即这些类与多数类之间的一致程度，作为衡量聚类成功与否的标准。我们的设置还有一个额外的方面，即我们的数据集包含“真实”类别未知的文档。由于纯度仅考虑已知类别的文档，因此对于主要或全部由此类文档组成的聚类，该度量很难解释。对于 阿曼电报数据 此类聚类（我们称之为未确定的），我们避免详细讨论纯度。在完成上述预处理步骤后，我们探索了以下四种方法：1）通过删除文本中出现频率和出现的单词来减少矩阵，根据相对频率计算距离矩阵，使用基于欧氏距离的 Ward.D2 算法[28]进行聚类。2）通过删除只在少数文档中出现的稀疏词来减少矩阵，根据相对频率计算距离矩阵，使用基于欧氏距离的 Ward.D2 距离算法进行聚类。3）对每部戏剧进行词性标注，提取动词、名词和形容词，计算文档之间的余弦相似度值，计算距离矩阵，使用 Ward.D2 距离算法进行聚类。4）计算 tf-idf 统计数据，计算文档之间的余弦相似度值，计算距离矩阵，使用 Ward.D2 距离算法进行聚类。我们讨论了每种方法的结果。
[ 15 ]第一种方法代表了一种保守的方法：只包括频率 > 120 且出现在至少一半文档中的 1,094 个词。文档词矩阵仅填充了频率；没有进行降维。通过使用 Ward.D2 距离算法进行聚类来进行分组。图 1显示了生成的树状图。回想一下，在构成树状图叶节点的文档中，一些被称为喜剧 (CXX)，一些被称为悲剧 (TXX)，但大多数文档的状态未知 (»Test«)。