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