作者：超人赵，人工智能爱好者社区专栏作者

知乎：

https://www.zhihu.com/people/chao-ji-sai-ya-ren/posts
链接推送： 如何构建用户画像—打用户行为标签
用户画像——数据质量管理

这次想继续和大家聊聊用户画像。用户画像是个体系性比较强的内容模块，分一两次博客也写不完，我争取分多次博客把各个模块都搭建起来。上次把用户画像方面的内容开了一个头，讲了关于标签权重的计算方法，这次就聊聊标签聚类的方法。其实聚类不限于方法和形式，只要能将同类物品 / 内容进行准确聚类的，都是好的方法。好啦，开篇结束啦，下面让我们进入正题吧：

一、应用背景：

继上一篇中提到的用户标签表，存储了用户在平台上每次操作（来自日志数据）、购买（来自业务数据）等行为带来的标签。随着时间的累计，各用户在平台上积累的标签数以亿计，如何对这些不同类型的标签进行归类，找到每个标签所属的某一类别，是本次讲述的重点。

二、标签聚类：

Step1：从用户标签表抽取数据

用户标签表结构长这个样子（字丑 ╥﹏╥）

首先从用户标签表抽取两种类型的标签（我们暂命名为A类标签和B类标签），

创建临时表1，抽取A类标签：

create table gdm.tag_relation_cluster_function_01
        as
        select user_id,
               org_id,
               org_name,
               cnt,
               date_id,
               tag_type_id,
               act_type_id
          from wedw.peasona_user_tag_relation  --用户标签表
         where date_id >='2017-01-01'
           and date_id <='2017-08-24'
           and tag_type_id in (1)    -- A 类标签
      group by user_id,
               org_id,
               org_name,
               cnt,
               date_id,
               tag_type_id,
               act_type_id
			   

创建临时表2，抽取B类标签：

create table gdm.tag_relation_cluster_function_02
        as
        select user_id,
               org_id,
               org_name,
               cnt,
               date_id,
               tag_type_id,
               act_type_id
          from wedw.peasona_user_tag_relation  --用户标签表
         where date_id >='2017-01-01'
           and date_id <='2017-08-24'
           and tag_type_id in (7)    -- B 类标签
      group by user_id,
               org_id,
               org_name,
               cnt,
               date_id,
               tag_type_id,
               act_type_id

Step2：计算每类标签对应的用户人数

这里用到了共现矩阵的思想，即两个标签上同时拥有的用户人数。即用户甲身上既有A类标签，又有B类标签则记为数字1，两两标签之间拥有的用户数越多，说明用户在平台上的行为在带来A类标签的同时也带来了B类标签，即两个标签之间的相关性越大。在HQL中的逻辑如图：

创建临时表3，计算A类标签下每个标签对应的用户人数：

create table gdm.tag_relation_cluster_function_03
        as
        select org_id,
               org_name,
               count(distinct user_id) user_num,
               row_number() over (order by count(distinct user_id) desc) rank
          from gdm.tag_relation_cluster_function_01
      group by org_id,
               org_name

创建临时表4，计算B类标签下每个标签对应的用户人数：

create table gdm.tag_relation_cluster_function_04
        as
        select org_id,
               org_name,
               count(distinct user_id) user_num,
               row_number() over (order by count(distinct user_id) desc) rank
          from gdm.tag_relation_cluster_function_02
      group by org_id,
               org_name

创建临时表5，计算A、B两类标签共同关注人数的共现矩阵：

create table gdm.tag_relation_cluster_function_05
        as
        select t.org_id_1,
               t.org_name_1,
               t.tag_type_id_1,
               t.org_id_2,
               t.org_name_2,
               t.tag_type_id_2,
               t.num
          from (
               select t1.org_id as org_id_1,
                      t1.org_name as org_name_1,
                      t1.tag_type_id as tag_type_id_1,
                      t2.org_id as org_id_2,
                      t2.org_name as org_name_2,
                      t2.tag_type_id as tag_type_id_2,
                      count(distinct t2.user_id) as num
                 from gdm.tag_relation_cluster_function_01 t1  
           cross join gdm.tag_relation_cluster_function_02 t2  
                   --on t1.user_id = t2.user_id        
                where t1.org_id <> t2.org_id       
             group by t1.org_id,
                      t1.org_name,
                      t1.tag_type_id,
                      t2.org_id,
                      t2.org_name,
                      t2.tag_type_id
                 ) t

Step3：用余弦相似度函数计算两两标签之间的相关性

余弦相似度函数怎么用，这里简单举个例子：标签a打在了10000个用户身上，标签b打在了20000个用户身上，有5000个用户的身上同时用户a标签和b标签，则a、b标签之间的相似度即为：5000 / sqrt（10000*20000）.在HQL语言中执行如下：

create table gdm.tag_relation_cluster_function_06
         as
         select t1.org_id_1 as org_id_1,     --标签a id
                t1.org_name_1 as org_name_1,    --标签a名称
                t1.tag_type_id_1 as tag_type_id_1,  --标签a type_id
                t2.user_num_1 as user_num_1,    --标签a 人数
                t1.org_id_2 as org_id_2,
                t1.org_name_2 as org_name_2,
                t1.tag_type_id_2 as tag_type_id_2,
                t3.user_num_2 as user_num_2,
                t1.num as num,    -- 同时有两个标签的用户数
                (t1.num/sqrt(t2.user_num_1 * t3.user_num_2)) as power,
                row_number() over(order by (t1.num/sqrt(t2.user_num_1 * t3.user_num_2)) desc) rank
           from gdm.tag_relation_cluster_function_05 t1
          left join (select org_id,
                user_num as user_num_1
               from gdm.tag_relation_cluster_function_03   --标签a  对应的用户人数
             ) t2
             on t1.org_id_1 = t2.org_id
          left join (select org_id,
                user_num as user_num_2
               from gdm.tag_relation_cluster_function_04  --标签b 对应的用户人数
              ) t3
             on t1.org_id_2 = t3.org_id
       group by t1.org_id_1,
            t1.org_name_1,
            t1.tag_type_id_1,
            t2.user_num_1,
            t1.org_id_2,
            t1.org_name_2,
            t1.tag_type_id_2,
            t3.user_num_2,
            t1.num,
            (t1.num/sqrt(t2.user_num_1 * t3.user_num_2))

Step4：筛选出与每个A类标签相关性最大的B类标签，即将该A类标签归类到该B类标签下：

HQL中通过row_number()方法将权重最大的B类标签置顶，然后筛选出，语句执行如下：

create table gdm.tag_relation_cluster_function_07
  as
  select org_id_1,
         org_name_1,
         tag_type_id_1,
         org_id_2,
         org_name_2,
         tag_type_id_2,
         power
    from (select org_id_1,
             org_name_1,
             tag_type_id_1,
             org_id_2,
             org_name_2,
             tag_type_id_2,
             power,
             row_number() over(partition by org_id_1,org_name_1,tag_type_id_1 order by power desc) row_id
            from gdm.tag_relation_cluster_function_06
        ) t1
      where t1.row_id=1

最后，在实际应用中，我将疾病类标签（ort_name_1）归类到对应的科室（ort_name_2）下面，看了一下，效果基本上还差不多