mahout中canopy算法应用于广告点击用户类别识别

canopy算法基本思想如下：

1. 将数据集向量化得到一个线性集合后放入内存，选择两个距离阈值：T1和T2，其中T1 > T2，T1和T2的值可以用交叉校验来确定；
2. 从线性集合中任取一点P，用低计算成本方法快速计算点P与所有Canopy之间的距离（如果当前不存在Canopy，则把点P作为一个Canopy），如果点P与某个Canopy距离在T1以内，则将点P加入到这个Canopy；
3. 如果点P曾经与某个Canopy的距离在T2以内，则需要把点P从线性集合中删除，这一步是认为点P此时与这个Canopy已经够近了，因此它不可以再做其它Canopy的中心了；
4. 重复步骤2、3，直到线性集合为空结束。

通常用户id是没有任何逻辑关联的，如果是递增产生的id则只有时间线性关联。

所以直接对id采用canopy算法采样的话得出的集合基本没有什么意义。如果是任意生成的随机数字id则更加的恐怖，生成的数据特征集合不仅无意义，甚至还有问题。

而且广告点击用户id作为特征集合来计算粒度有些过细，因为一般情况下获取的用户id是匿名id，多数情况下为一次性数据，做用户集群的特征化分析意义不大。

如果粒度需要到用户级别，则要将用户id向区域和时间两个维度混合，使用户id具有地区化的维度特征或者时间维度特征，单一的用户id没有利于canopy算法分析的意义。