实例解析关键词聚类的方法策略

最近，马海祥接手了一个大型的网站，首先要做的就的对这个网站的流量来源进行分析，这其中最繁琐的莫过于对来源关键词的聚类整合了。

所谓关键词聚类就是以领域特征明显的词和短语作为聚类对象，在分类系统的大规模层级分类语料库中，利用独创的文本分类的特征提取算法进行词语的领域聚类，通过控制词语频率的影响，分别获取领域通用词和领域专类词。

所以，要想做好这类做关键词的聚类，就一定要有一些基础信息，基础数据作为背景。在此，我就借助马海祥博客的平台跟大家实例解析关键词聚类的方法策略：

1、百度商业词聚类模型

现在对于一些医疗SEO来说看行业新闻，大家经常讨论一个话题就是百度医疗行业的收入贡献比是多少？，其实，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，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。

我的出发点就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，就需要做权值调整了，然后再计算词与词的关联值。那么，权值该怎么定呢？

对于这个权值的设定做了一个程序，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……，这个领域就不再说了）

马海祥觉得聚类的做法就极为简单了，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假设的，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，做了一个礼拜。

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%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，下面马海祥再说一下关于智能起价的一些事。

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？对一些非长尾关键词但是价值很高的词（具体可查看马海祥博客的《什么是长尾关键词》相关介绍），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SEO技术的报价” 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“SEO技术”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：

（1）、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。

（2）、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。

2、搜索词/指数词的聚类

当然，除了以上所述的，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。

那么基于什么呢？基于关键词+搜索量。

这事又是怀亭帮忙，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。

举个例，比如某一个热门游戏，魔兽， 会有大量诸如魔兽攻略，魔兽新服，魔兽道具，魔兽外挂等等相关词。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，比较典型如苹果(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。

马海祥建议的实现方法就是，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（具体可查看马海祥博客的《如何组合和挖掘长尾关键词》相关介绍）。

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。

马海祥博客点评：

通过关键词聚类分析，可将待选的关键词分成同质的几类小组，在同一组内选择实验单位和非实验单位，这样便保证了这两个单位之间具有了一定的可比性。进而就可提高网站关键词的扩展及分类展示了。