谈谈我做过的关键词聚类

转载理由：去年面试的时候，被问到相关问题，之后查了一些资料，没有什么收获，今天不小心看到，挺受启发。

转自：http://www.wumii.com/topbar/mSzZftie

看到知乎有这样的问题，如何做词聚类，恰好我以前做过，但是想想内容太多，还是单独写一篇说一下。

首先，如果单纯拿出一堆词就让我分类，这个我真做不到，我不知道有没有人能做到，反正我做不到。做关键词分类，对我而言，一定有一些基础信息，基础数据作为背景。

案例1：百度商业词聚类模型

现在看新闻，大家经常讨论一个话题，百度医疗行业的收入贡献比是多少，其实，我爆个大料给大家，在2005年甚至2006年之前，百度自己都不掌握这类数据。

当时百度有一个简单的客户分类，是客服提交的，然后我们看了一下消费的行业分布，结果显示超过50%属于其他分类，这个结果基本上就没法看了。

然后我就琢磨，用商业词能不能直接聚类为行业，当时我在产品部门，合作反欺诈点击的工程师是张怀亭（此人似乎现在还在百度），这是个算法高手，他当年的毕业论文就是关联规则和聚类算法，我就去请教他，他说了一堆，我大部分没听懂，但大概要点知道了一些，然后找他要了论文看了看，也没太看明白，凭借自己粗浅的理解我就动手了，然后这个还真做成了。

出发点是 假设客户本身具有行业属性（如果这个假设不存在，那就没辙了），我认为每个客户提交的关键词，彼此是有关联的。某两个关键词如果同时被不同的客户提交，其关联性就会随之增加，这个是最基本的一个定义，叫做共同推举数。也是最容易算的一个值。

但是仅仅依赖于共同推举数有一个问题，就是会导致很多词都和热门词关联，这是不合理的，我记得当时好像是某网上书城的推荐购买那一栏，明显都是热门书籍，似乎也是基于共同推举数做的关联。

问题1：A和B有50个共同推举，A和C有30个共同推举，但是B这个词是热门词，共有2000个客户提交；而C是冷门词，只有50个客户提交，请问A和B的关联度高还是A和C的关联度高？

问题2：客户1 提交了10000个词（类似阿里，中青旅真的是这么提交的）；客户2提交了20个词，客户1所提交的10000个词的彼此关联度和客户2之间提交的是否一致？

考虑这两个问题，做权值调整，（其实我记得还有一个权值，很久的事情了，搞不清了）然后计算词与词的关联值。

那么，权值怎么定？ 呵呵，实话说，拍脑袋，不过拍完了要校验。

实现程序只用了不到一个下午，然后跑一遍程序大约1个小时到2个小时（那时候百度的商业词还没那么多，客户也没现在呢么多，我的程序其实效率不够好）。然后我做了一个web展示界面，就是任意输入一个词，列出其关联词及关联值，目测坏案例，分析参数的问题，然后修改参数，再跑一遍。。。 跑了n多遍，大约两三天时间，觉得结果差不多了，词与词的关联建立起来了，考虑第二步，聚类。（当时认识了很多奇葩的商业词，大开眼界，对互联网行业认识彻底改观，比如白小姐，黄大仙，咳咳、咳咳，这个领域就不能再说了）

聚类的想法极为简单，把每个行业的代表词（与很多词关联的）抽取出来，当作核心词，然后基于词的关联（延展一级关联、二级关联、三级关联，比如A与B关联，B月C关联，C与D关联，计算彼此权值衰减，得出A与D的关联）。尽可能把所有词聚合到核心词上，作成行业词表。

最开始核心词我从库里挑与其他词关联度较高的有20多个，然后多级权值衰减也是拍脑袋想的，然后跑一遍，看两个指标，第一、覆盖率是多少；第二、准确率如何，选取每个行业关联度最低的词（坏案例的密度较高，有些词会同时被两个行业核心词关联，但权值计算会出问题，导致被并入错误的行业）去看，选择没有被关联上的词去看，分析权值的问题。然后修改衰减参数，增加核心词。这个程序我也是写了一个下午，但是调试权值和增加核心词，干了一个礼拜。

然后，百度商业分析部终于可以推出，基于行业的收入报表。我自豪的说一句，百度做收入行业分布，是基于我的关键词分类算法开始的，当然，今天他们鸟枪换炮了，我的算法效率不够（初期还行，到更大的词规模和更多客户就不行了），覆盖率和准确度并不十分完美（坏案例还是一直存在的，不过尽可能控制在消费总额的10%以内，对热门词比较准，但对一些长尾控制不住）。不过、我是在产品部门干的这个活，呵呵。

后来，这个模型还用于智能起价。下面说一下智能起价的八卦。

智能起价其实是百度一个失败的商业尝试，对业务的伤害非常大，但是初期的设计理念并没有大问题，百度当时基于关键词的竞价（当时的竞价模式非常简单，别跟我说现在百度的竞价模式不这样，我明白），对商业价值的挖掘是有缺陷的，比如一些超级热门词，3毛一个点击也是卖不掉的（比如电影，小游戏）。是不是可以便宜点卖呢？对一些非常长尾但是价值很高的词，因为发现的客户少，所以起价很低，而其商业价值并不弱，比如 “最新型绿色干洗机报价” 这样的长尾词可能参与竞价的只有一两个客户，但是其商业价值不会低于“干洗机”这样的高价词。所以，智能起价真正的目的，是给热门非商业词降价，给冷门长尾商业词提价。 那么我就提出一个观点，关键词的起价应与他关联词的平均点击价格相关。然后他们拿这个模型去跟领导讲，很快就通过了。（牢骚一句，赵某童鞋去讲的，被领导问毛了，就说算法是技术部门的，他也不是很清楚，他去讲的时候明明是我提供的原型！ 不过后来技术部门又做了一版，但那是后话了。） 智能起价模型失败的原因，有两个原因，第一，他们上的时候为了提高对非商业词的覆盖率，硬把关键词包含规则加上去了。导致了一些坏案例。（比如平板，平板电脑，并不是一个行业）。当时效果很不好，领导很不爽，批评我的坏案例太多，列了一堆，我挨个去查，所列的没有一个是我算法算出来的，都是词包含包进去的。其实这个问题还不算严重，词包含固然有坏案例，但是影响面极为有限；第二个问题更严重，就是领导太急迫了，这个事情我的建议是，起价权值低一点（通过算法计算每个词关联平均价格，然后关联平均价格*起价参数=该词起价，这是基本公式，起价参数全凭个人判断），看效果慢慢调整，结果领导一上来设的相当高，所以，客户极大不爽，各种擦屁股持续了几个月。百度那个季度实在可怜。

凤巢之后，智能起价终于寿终正寝。凤巢的方案更完美，更综合，这是必须承认的。

案例2：搜索词/指数词的聚类

当然，也可以基于搜索网民的提交来计算关联度，但是首先，网民的搜索行为，并不如客户提交商业词行为那样具有分类属性。其次，我当时的处理能力也搞不定这样的数据规模的关联计算。（好吧，现在也不大搞得定。）

那么基于什么呢？基于关键词+搜索量。

这事又是张怀亭帮忙，我在百度合作最多的工程师就是怀亭，当时他帮我做所有搜索记录的整理，包括汇总和反刷处理（除了一些ip，客户端标记清理外，最重要的还有一个规则，是基于渠道分布和客户端分布规则，正常的搜索词，来自于不同渠道的比例应该是遵循一个合理分布比例的，所谓渠道包括百度官网，hao123，其他联盟渠道等等，如果严重不遵守这个比例，基本就是刷指数了，但这个规则没有应用到百度指数上，至少当时没应用到，原因似乎是这样的，当时几乎所有榜单上的热门女星，似乎都有经纪公司或粉丝团的刷榜行为。）所以当时我手里有百度所有搜索词的搜索数据（清理掉刷指数的数据），而且每日更新。

那么怎么分类呢？如果做全分类，我真做不到，但是热门词是可以做的。这里有一个要点，就是每个热门关键词，都不是孤立存在的。而这些热门词的相关词（基于词包含）里，会携带一些表明其行业属性的词根，然后可以回溯这个热门词的行业属性。（对了，我上面不是说词包含有坏案例么，咳咳，这个，别求全责备。只有词和搜索量，还要做分类，有些坏案例也只能手工调整了。）

举例，

一个热门游戏，比如 神仙道， 会有大量诸如 神仙道攻略， 神仙道新服，神仙道道具，神仙道外挂 等等相关词。通过这些相关词的词根（可以对词根标记分类属性）回溯原词，以及原词所有相关词的分类。比如电视剧，常见词根有 “第**集，最新集。”，一个小说，常见词根有“第**章”，“最新章节” 等。

当然，还有一个情况，有些词是多含义的，比如典型如苹果（IT产品，电影，水果）。武林外传（电视剧，游戏）等。通过词根的分析，并基于不同词根下的搜索量加权，得到该词的搜索属性，偏向哪个领域，或各个领域的比例，是的，不是很精确，但是还是有一定价值的。

实现方法就是，针对每个未分类的热门词，去遍历包含他的所有词，然后基于预先定义的分类词根去套，对包含每个分类词根的长尾词根据搜索量加权，汇总，得到该热门词的分类属性，以及覆盖包含该热门词的所有长尾词的分类属性。

这个算法思路，不适合对长尾词挖掘（含有行业属性词根的长尾词可以覆盖，但是毕竟覆盖率不够），但是对百度热榜可以有很好的帮助，对热门词的挖掘和自动分类还是有一定把握的，当时不少人抱怨我说百度热榜更新不及时，一些新游戏都很火了也进不了热榜，我就拉着百度热榜的产品经理和技术分享过，还提供过原型代码，然后也没有然后了。

至少当时，我能不断看到网民搜索行为的分类比例（百度长尾词太多，我的模型覆盖搜索量只有50%左右），以及变化趋势，比如眼看着视频类的搜索比例快速增长。

又是一篇自吹为主的文章，那个，啥也不说了，您凑活看吧。