是K-means算法的一个变种
与K-means不一样的地方在于中心店的选取：k-means 中，我们将中心点取为当前 cluster 中所有数据点的平均值，在 k-medoids 算法中，我们将从当前 cluster 中选取这样一个点——它到其他所有（当前 cluster 中的）点的距离之和最小——作为中心点。k-means 和 k-medoids 之间的差异就类似于一个数据样本的均值 (mean) 和中位数 （median) 之间的差异
另外，k-medoids可以处理k-means没法处理的标称型数据，最常见的做法是构建dissimilarity matrix。
除此之外，由于中心点是在已有的数据点里面选取的，因此相对于 k-means 来说，不容易受到那些由于误差之类的原因产生的Outlier的影响，更加 robust 一些。
因为需要枚举每个点，求出它到其他点的距离之和，复杂度为O(N^2)> K-means的O(N)
文档聚类的例子：
1.采用字符级的N-GRAM，从一个文档中得到频率最高的300个N-GRAM，称为一个Profile
2.定义两个Profile的dissimilarity为对应的N-gram的序号之差的绝对值
3.聚类
