最近，接手了一個大型的網站，首先要做的就的對這個網站的流量來源進行分析，這其中最繁瑣的莫過于對來源關鍵詞的聚類整合了。

所謂關鍵詞聚類就是以領域特征明顯的詞和短語作為聚類對象，在分類系統的大規模層級分類語料庫中，利用獨創的文本分類的特征提取算法進行詞語的領域聚類，通過控制詞語頻率的影響，分別獲取領域通用詞和領域專類詞。

所以，要想做好這類做關鍵詞的聚類，就一定要有一些基礎信息，基礎數據作為背景。在此，我就借助博客的平臺跟大家實例解析關鍵詞聚類的方法策略：

1、百度商業詞聚類模型

現在對于一些醫療SEO來說看行業新聞，大家經常討論一個話題就是百度醫療行業的收入貢獻比是多少？，其實，爆個大料給大家，在2005年甚至2006年之前，百度自己都不掌握這類數據。

當時百度有一個簡單的客戶分類，是客服提交的，然后我們看了一下消費的行業分布，結果顯示超過50%屬于其他分類，這個結果基本上就沒法看了。

然后我就琢磨，用商業詞能不能直接聚類為行業，當時我在產品部門，合作反欺詐點擊的工程師是張懷亭，這是個算法高手，他當年的畢業論文就是關聯規則和聚類算法，我就去請教他，他說了一堆，我大部分沒聽懂，但大概要點知道了一些，然后找他要了論文看了看，也沒太看明白，憑借自己粗淺的理解我就動手了，然后這個還真做成了。

我的出發點就是假設客戶本身具有行業屬性(如果這個假設不存在，那就沒轍了)，我認為每個客戶提交的關鍵詞，彼此是有關聯的。某兩個關鍵詞如果同時被不同的客戶提交，其關聯性就會隨之增加，這個是最基本的一個定義，叫做共同推舉數，也是最容易算的一個值。

但是僅僅依賴于共同推舉數有一個問題，就是會導致很多詞都和熱門詞關聯，這是不合理的，我記得當時好像是某網上書城的推薦購買那一欄，明顯都是熱門書籍，似乎也是基于共同推舉數做的關聯。

問題1：A和B有50個共同推舉，A和C有30個共同推舉，但是B這個詞是熱門詞，共有2000個客戶提交；而C是冷門詞，只有50個客戶提交，請問A和B的關聯度高還是A和C的關聯度高？

問題2：客戶1提交了10000個詞(類似阿里真的是這么提交的)；客戶2提交了20個詞，客戶1所提交的10000個詞的彼此關聯度和客戶2之間提交的是否一致？

考慮這兩個問題，就需要做權值調整了，然后再計算詞與詞的關聯值。那么，權值該怎么定呢？

對于這個權值的設定做了一個程序，實現程序只用了不到一個下午，然后跑一遍程序大約1個小時到2個小時（那時候百度的商業詞還沒那么多，客戶也沒現在呢么多，我的程序其實效率不夠好）。

然后我做了一個web展示界面，就是任意輸入一個詞，列出其關聯詞及關聯值，目測壞案例，分析參數的問題，然后修改參數，再跑一遍。跑了n多遍，大約兩三天時間，覺得結果差不多了，詞與詞的關聯建立起來了，考慮第二步，聚類。（當時認識了很多奇葩的商業詞，大開眼界，對互聯網行業認識徹底改觀，比如白小姐，黃大仙 ，這個領域就不再說了）

覺得聚類的做法就極為簡單了，把每個行業的代表詞(與很多詞關聯的)抽取出來，當作核心詞，然后基于詞的關聯，延展一級關聯、二級關聯、三級關聯，比如A與B關聯，B月C關聯，C與D關聯，計算彼此權值衰減，得出A與D的關聯。盡可能把所有詞聚合到核心詞上，作成行業詞表。

最開始核心詞我從庫里挑與其他詞關聯度較高的有20多個，然后多級權值衰減也是假設的，然后跑一遍，看兩個指標，第一、覆蓋率是多少？第二、準確率如何？選取每個行業關聯度最低的詞(壞案例的密度較高，有些詞會同時被兩個行業核心詞關聯，但權值計算會出問題，導致被并入錯誤的行業)去看，選擇沒有被關聯上的詞去看，分析權值的問題，然后修改衰減參數，增加核心詞。這個程序我也是寫了一個下午，但是調試權值和增加核心詞，做了一個禮拜。

然后，百度商業分析部終于可以推出，基于行業的收入報表。我自豪的說一句，百度做收入行業分布，是基于我的關鍵詞分類算法開始的，當然，今天他們鳥槍換炮了，我的算法效率不夠（初期還行，到更大的詞規模和更多客戶就不行了），覆蓋率和準確度并不十分完美（壞案例還是一直存在的，不過盡可能控制在消費總額的10%內，對熱門詞比較準，但對一些長尾控制不住）。不過、我是在產品部門干的這個活，呵呵。

后來，這個模型還用于智能起價，下面再說一下關于智能起價的一些事。

智能起價其實是百度一個失敗的商業嘗試，對業務的傷害非常大，但是初期的設計理念并沒有大問題，百度當時基于關鍵詞的競價(當時的競價模式非常簡單，別跟我說現在百度的競價模式不這樣，我明白)，對商業價值的挖掘是有缺陷的，比如一些超級熱門詞，3毛一個點擊也是賣不掉的(比如電影，小游戲)。是不是可以便宜點賣呢？對一些非但是價值很高的詞，因為發現的客戶少，所以起價很低，而其商業價值并不弱，比如 最新SEO技術的報價 這樣的長尾詞可能參與競價的只有一兩個客戶，但是其商業價值不會低于 SEO技術 這樣的高價詞。

所以，智能起價真正的目的，是給熱門非商業詞降價，給冷門長尾商業詞提價。

那么我就提出一個觀點，關鍵詞的起價應與他關聯詞的平均點擊價格相關。然后他們拿這個模型去跟領導講，很快就通過了。（牢騷一句，趙某童鞋去講的，被領導問毛了，就說算法是技術部門的，他也不是很清楚，他去講的時候明明是我提供的原型! 不過后來技術部門又做了一版，但那是后話了）

智能起價模型失敗的原因，有兩個原因：

（1）、他們上的時候為了提高對非商業詞的覆蓋率，硬把關鍵詞包含規則加上去了。導致了一些壞案例。(比如平板，平板電腦，并不是一個行業)。當時效果很不好，領導很不爽，批評我的壞案例太多，列了一堆，我挨個去查，所列的沒有一個是我算法算出來的，都是詞包含包進去的。其實這個問題還不算嚴重，詞包含固然有壞案例，但是影響面極為有限。

（2）、就是領導太急迫了，這個事情我的建議是，起價權值低一點（通過算法計算每個詞關聯平均價格，然后關聯平均價格*起價參數=該詞起價，這是基本公式，起價參數全憑個人判斷），看效果慢慢調整，結果領導一上來設的相當高，所以，客戶極大不爽，各種擦屁股持續了幾個月，百度那個季度實在可憐。

鳳巢之后，智能起價終于壽終正寢。鳳巢的方案更完美，更綜合，這是必須承認的。

2、搜索詞/指數詞的聚類

當然，除了以上所述的，也可以基于搜索網民的提交來計算關聯度，但是首先，網民的搜索行為，并不如客戶提交商業詞行為那樣具有分類屬性。其次，我當時的處理能力也搞不定這樣的數據規模的關聯計算。

那么基于什么呢？基于關鍵詞+搜索量。

這事又是懷亭幫忙，當時他幫我做所有搜索記錄的整理，包括匯總和反刷處理，除了一些ip，客戶端標記清理外，最重要的還有一個規則，是基于渠道分布和客戶端分布規則。

正常的搜索詞，來自于不同渠道的比例應該是遵循一個合理分布比例的，所謂渠道包括百度官網，hao123，其他聯盟渠道等等，如果嚴重不遵守這個比例，基本就是刷指數了，但這個規則沒有應用到百度指數上，至少當時沒應用到，原因似乎是這樣的，當時幾乎所有榜單上的熱門女星，似乎都有經紀公司或粉絲團的刷榜行為。所以當時我手里有百度所有搜索詞的搜索數據(清理掉刷指數的數據)，而且每日更新。

那么怎么分類呢？如果做全分類，我真做不到，但是熱門詞是可以做的。這里有一個要點，就是每個熱門關鍵詞，都不是孤立存在的。而這些熱門詞的相關詞(基于詞包含)里，會攜帶一些表明其行業屬性的詞根，然后可以回溯這個熱門詞的行業屬性。

舉個例，比如某一個熱門游戲，魔獸， 會有大量諸如魔獸攻略，魔獸新服，魔獸道具，魔獸外掛等等相關詞。通過這些相關詞的詞根(可以對詞根標記分類屬性)回溯原詞，以及原詞所有相關詞的分類。比如電視劇，常見詞根有 第**集，最新集 ，一個小說，常見詞根有 第**章 ， 最新章節 等。

當然，還有一個情況，有些詞是多含義的，比較典型如蘋果(IT產品，電影，水果)。武林外傳(電視劇，游戲)等。通過詞根的分析，并基于不同詞根下的搜索量加權，得到該詞的搜索屬性，偏向哪個領域，或各個領域的比例，是的，不是很精確，但是還是有一定價值的。

建議的實現方法就是，針對每個未分類的熱門詞，去遍歷包含他的所有詞，然后基于預先定義的分類詞根去套，對包含每個分類詞根的長尾詞根據搜索量加權，匯總得到該熱門詞的分類屬性，以及覆蓋包含該熱門詞的所有長尾詞的分類屬性。

這個算法思路，不適合對長尾詞挖掘（含有行業屬性詞根的長尾詞可以覆蓋，但是畢竟覆蓋率不夠），但是對百度熱榜可以有很好的幫助，對熱門詞的挖掘和自動分類還是有一定把握的，當時不少人抱怨我說百度熱榜更新不及時，一些新游戲都很火了也進不了熱榜，我就拉著百度熱榜的產品經理和技術分享過，還提供過原型代碼，然后也沒有然后了。

至少當時，我能不斷看到網民搜索行為的分類比例（百度長尾詞太多，我的模型覆蓋搜索量只有50%左右），以及變化趨勢，比如眼看著視頻類的搜索比例快速增長。