2013谈谈我做过的关键词聚类.docxVIP

谈谈我做过的关键词聚类　 　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