用户画像—标签聚类

浏览: 4553

image.png

大家好~ :)

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 ╥﹏╥)

image.png

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:

image.png

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

image.png

推荐 8
本文由 watermelon 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

3 个评论

请问下这里面的A类标签b类标签是包含关系么?就像您举的疾病类和科室类的关系。
我觉得父子层级标签体系应该由手动去规划好,像第四步没必要通过算法去实现了。

但一个标签与另外一个标签的相似度非常有用,相当于是做lookalike,还望多赐教赐教
好像这里介绍的都是根据用户访问行为去做画像,怎么去预测用户性别,年龄,收入等标签呢?

要回复文章请先登录注册