點擊流數(shù)據(jù)中非結(jié)構(gòu)化數(shù)據(jù)的挖掘—文本

非結(jié)構(gòu)化數(shù)據(jù)是大數(shù)據(jù)數(shù)據(jù)多樣化的的一個特點，而點擊流中的數(shù)據(jù)是多樣化數(shù)據(jù)的一部分。依托強大的網(wǎng)站分析工具，可以得到最細粒度的原始數(shù)據(jù)（Raw Data），如果這些原始數(shù)據(jù)僅僅用來看看報表，那意義太小。非結(jié)構(gòu)化化數(shù)據(jù)包括文本、視頻、文檔、音頻、甚至地理位置信息等等，本篇介紹的是點擊流中的非結(jié)構(gòu)化數(shù)據(jù)的文本挖掘應(yīng)用——當然，核心還是如何更好的應(yīng)用這些非結(jié)構(gòu)化數(shù)據(jù)。

一、 點擊流中的非結(jié)構(gòu)化文本數(shù)據(jù)都有哪些？

首先來定性什么是非結(jié)構(gòu)化文本數(shù)據(jù)，這里指的是點擊流原始數(shù)據(jù)中以文字形式展現(xiàn)的數(shù)據(jù)，包括原始LOG日志以及已經(jīng)被結(jié)構(gòu)化入庫中的部分數(shù)據(jù)，比如Adobe Analytics的Data Feed，Webtrekk中的Raw Data。當然，有些數(shù)據(jù)雖然是文本或字符串的形式，但并不是真正意義上的非結(jié)構(gòu)化，比如瀏覽器的類型信息、推薦來源，雖然取值為文本，但取值都有規(guī)律，這些數(shù)據(jù)在數(shù)據(jù)庫中更多的是作為外鍵（FK）關(guān)聯(lián)到維度表，因此都不算嚴格意義上的非結(jié)構(gòu)化數(shù)據(jù)。 真正的非結(jié)構(gòu)化文本數(shù)據(jù)，包括：

搜索詞：我們永遠無法準確定義用戶的搜索詞都有哪些；

完整URL地址：尤其是含有特定監(jiān)測Tag的地址；

特定監(jiān)測標簽：通常鑒于以URL Tag形式進行監(jiān)測的情形；

頁面名稱：名稱的規(guī)范性取決于系統(tǒng)配置信息；

用戶自定義標簽：比如用戶對自身的評價標簽——偉岸、高富帥等；

文章特定信息：如文章摘要、關(guān)鍵字等，跟用戶一樣，文章信息也是因文章而已；

用戶評論、咨詢內(nèi)容：絕對的非結(jié)構(gòu)化段落；

唯一設(shè)備號：如IMEI、MAC等（這部分通常會作為關(guān)聯(lián)主鍵和唯一識別標示，不會作為規(guī)則提取的字段）；

這些信息的特點是：①取值通常是文本或字符串，②長度不一致，單值結(jié)果的長度可能是1個字節(jié)甚至是1000個字節(jié)不等，③無明確的值域范圍。

二、 這些數(shù)據(jù)都是從哪來的？

這些數(shù)據(jù)通常都是用戶自定義的，另外也包括由于系統(tǒng)產(chǎn)生或收集的非結(jié)構(gòu)化數(shù)據(jù)本身。

自定義非結(jié)構(gòu)化文本數(shù)據(jù)。這些信息通常都是在工具中通常都是自定義的維度獲取，比如webtrends中的metea、Adobe Analytics中自定義Prop和eVar、UA中的Dimension等，如Adobe Analytics中的Prop的字段是以varchar(100)的格式定義的，這意味著如果需要收集數(shù)據(jù)的單個結(jié)果長度超過100個字節(jié)，結(jié)果將被截斷；而eVar的字段格式與Prop相同，但程度更長，是255，所以從底層數(shù)據(jù)支持的角度考慮，如果在自定義維度時，在不考慮路徑應(yīng)用的情況下盡量使用eVar來定義。

系統(tǒng)獲取的非結(jié)構(gòu)化文本數(shù)據(jù)。比如通過Adobe分類規(guī)則生成器、處理規(guī)則或JS自動復(fù)制變量值的形式都會產(chǎn)生。

三、 非結(jié)構(gòu)化文本數(shù)據(jù)的應(yīng)用場景在哪？

通常情況下，非結(jié)構(gòu)化的數(shù)據(jù)可以跟結(jié)構(gòu)化的數(shù)據(jù)一樣，作為分析的維度應(yīng)用到各種報表或OLAP中；但這僅僅能發(fā)揮其一小部分作用，原因是只靠固定維度的常規(guī)分析難以挖掘非結(jié)構(gòu)化數(shù)據(jù)中隱含的知識點，因此我們需要借用數(shù)據(jù)挖掘的相關(guān)技術(shù)。 以搜索詞為例，站內(nèi)搜索詞基本上每個工具都會監(jiān)測 ，但是搜索詞的常規(guī)應(yīng)用場景大多集中在以下幾種：

對運營體系來講，看下最近用戶熱搜了哪些詞，哪些詞有什么樣的變化趨勢，并結(jié)合轉(zhuǎn)化效果來指導(dǎo)搜索詞運營；

對采銷商品體系來講，挖掘下購買某些品類的用戶通常會通過哪些詞進行搜索，以此來提高在這些展現(xiàn)結(jié)果頁的排名以獲得更好的展示和點擊，創(chuàng)造售賣機會；

對搜索產(chǎn)品開發(fā)而言，用戶搜索后的結(jié)果數(shù)、排序功能、篩選等功能怎樣，引發(fā)了用戶的哪些連環(huán)反應(yīng)，為產(chǎn)品功能優(yōu)化提供參考；

對SEO和SEM來講，站內(nèi)的搜索詞可以作為站外SEM選詞、匹配規(guī)則調(diào)整和站內(nèi)頁面SEO優(yōu)化的參考…

這些場景固然有用且實用，但其中有一個問題，除了SEO和SEM對于關(guān)鍵字的選擇和拓展上，可以采用全量的方式應(yīng)用以外，其他的業(yè)務(wù)體系都無法直接拿來復(fù)用。換句話說，SEO和SEM可以把所有關(guān)鍵字拿來用，但其他業(yè)務(wù)部門只能用到其中一部分，原因是大量關(guān)鍵詞從單純從字面上無法挖掘深層價值。 舉個例子，比如家電采銷需要過濾出某段時間家電相關(guān)搜索詞，通過搜索某些關(guān)鍵詞詞根，然后用正則或模糊匹配來搜索結(jié)果并作進一步分析，但總有很大一部分次是業(yè)務(wù)無法提取的價值所在，比如：

“三星”和“note2”，沒有經(jīng)驗的人是無法知曉二者是如何關(guān)的？

搜索“三星”的，你并不知道他想找的是三星手機還是三星電視；

我在一次訪問中搜索了n多詞，到底想找什么還是隨便看看？

作為家電品類的目標客戶，通常會搜索哪些詞？

隱藏用戶搜索詞中的特定需求有哪些——比如超薄、紅色還是商務(wù)特點？

四、非結(jié)構(gòu)化文本數(shù)據(jù)的挖掘?qū)崿F(xiàn)

默認我們都是通過Data Feed或Raw Data的形式進行挖掘，因此這里講省略掉數(shù)據(jù)監(jiān)測收集和入庫的過程，只從數(shù)據(jù)挖掘的角度進行探討。

1. 基于關(guān)聯(lián)規(guī)則的文本挖掘

關(guān)聯(lián)規(guī)則中最常用的是Apriori，其核心是基于兩階段頻集思想的遞推算法，該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則，常用于事務(wù)性的挖掘規(guī)則中（所謂事務(wù)性規(guī)則是事件間的關(guān)聯(lián)，無事件概念），比如在一次事件中通常哪兩種事件或事物一起發(fā)生。 這種關(guān)聯(lián)規(guī)則的問題在于缺乏時間的因素，只能判斷同期內(nèi)發(fā)生事件。比如用關(guān)聯(lián)規(guī)則出現(xiàn)的問題可能是：搜索了三星的用戶還搜索了蘋果，這種結(jié)果應(yīng)用在搜索功能體驗上沒有問題，但是如果應(yīng)用在有強烈時間關(guān)系的場景下就有問題了：

A、B兩篇文章，分別是上下文兩部分，這兩部分通過關(guān)聯(lián)規(guī)則提示相關(guān)性必然非常強，但里面的推薦邏輯是看了A（上文）后才看B（下文），而不是先推薦看B，再看A；
A、B兩個商品有強烈的關(guān)聯(lián)，假設(shè)A為鼠標，B為筆記本，通常是先購買筆記本，然后才是購買鼠標，如果再買了鼠標之后推薦買筆記本，顯示失去了邏輯關(guān)系。
諸如此類的應(yīng)用場景非常多，核心是要把事物發(fā)生的先后順序考慮在里面。因此關(guān)聯(lián)規(guī)則通常適用于沒有明顯時間序列的業(yè)務(wù)應(yīng)用場景，另外對于支持度和置信度的設(shè)置都要根據(jù)實際業(yè)務(wù)經(jīng)驗來調(diào)整，過低的支持度和置信度出來的規(guī)則沒有意義，過高的設(shè)置又帶來規(guī)則過少。 關(guān)聯(lián)規(guī)則相對其他數(shù)據(jù)挖掘模型簡單，更易于業(yè)務(wù)理解和應(yīng)用，通常解釋的是“干了某件事之后還會干什么事”，比如：

搜了某個關(guān)鍵字之后用戶還會搜索什么？

看了某頁面/文章/評論之后用戶還會看什么？

從某個渠道進入之后通常還會從那個渠道進入？

2. 序列模式挖掘

序列模式挖掘解釋的關(guān)系跟關(guān)聯(lián)模型相同，只不過把時間因素考慮在內(nèi)，算法包括三類：

類Apriori算法：典型代表GSP算法，SPADE算法；

基于劃分模式的生長算法：典型代表是FreeSpan和PrefixSpan算法；

基于序列比較的算法：代表為Disc-all；

整體來看PrefixSpan和Disc-all在算法效率和性能表現(xiàn)上會更好，同時，考慮到業(yè)務(wù)對時間上的約束條件，比如我們分析發(fā)現(xiàn)，用戶的存留周期只有1年，那么我們只想對1年內(nèi)發(fā)生重復(fù)行為的用戶進行針對性動作，1年就是我們的約束條件。這也是在做基于時間序列也需要考慮的因素。

3. 文本聚類挖掘

聚類分析是業(yè)務(wù)進入數(shù)據(jù)挖掘場景最基本的需求，通常的需求如，描述某類用戶的基本特征，同時，這些特征可以作為進一步挖掘和分析的基本條件。聚類分析中最常用的算法是K-MEANS聚類和兩步聚類，由于聚類方法簡單實用，在此做分析下二者的差異點和主要應(yīng)用點：

K-MEANS聚類：客戶特征整體分群分析，大量會員或用戶進行分群，找到不同群體突出特點。特點：①噪點過濾（但是不能控制過濾程度），②分組數(shù)自動/指定皆可，③通過標準化減少極值影響。

兩步聚類：兩步聚類與K均值應(yīng)用場景一致，特點：①要求指定分組數(shù)，一定經(jīng)驗要求，②受極值、噪點影響大且不能設(shè)置，③大數(shù)據(jù)量時開銷資源大，④受初始質(zhì)點選擇分類受影響大。

通常我們會把文本中的字段作為聚類的變量，以此來挖掘某類用戶的具體特征。文本聚類常用的業(yè)務(wù)場景是：把用戶分類，然后查看某類用戶中哪些特征較為明顯，然后針對性的做進一步細分和挖掘，比如： 把購買的用戶分成3類（既可以指定，也可以系統(tǒng)自動分類），然后找到每類用戶中的突出特點，如A類用戶對優(yōu)惠券、折扣的敏感度高，那么可以結(jié)合其他特征定義為價格主導(dǎo)型客戶；B類用戶對產(chǎn)品需求集中度高，但受價格波動和其他因素影響較小，屬于產(chǎn)品導(dǎo)向型；C類用戶對評論、咨詢、分享的參與率高，并且明顯影響其購買決策，那么這類用戶屬于輿論導(dǎo)向型。將這些用戶簡單分類之后，再深挖其中每類用戶受其中每個變量的影響程度，比如結(jié)合決策列表和決策樹深挖其購買決策影響因素，找到某類用戶影響決策的最終因素。

4. 文本規(guī)則提取

所謂的文本規(guī)則提取，指的是把文本作為用戶提取規(guī)則的一個變量，通常用決策樹、SVM、SLRM來提取業(yè)務(wù)規(guī)則，比如要找到購買家電類的用戶，他們對產(chǎn)品有哪些需求點，可以通過以下幾種方式提取規(guī)則：

決策樹：決策樹挖掘模式通常使用C 5.0、C&RT、CHAID、QUEST等，決策樹模型的特點是以樹狀展現(xiàn)規(guī)則，并按照規(guī)則對目標的影響程度分支，非常利于業(yè)務(wù)理解和規(guī)則提取。

文本規(guī)則提取通常也叫做分類，意思是把具備某類目標的用戶中影響因素最大的幾個規(guī)則提取出來。這是業(yè)務(wù)應(yīng)用最常用的一種數(shù)據(jù)挖掘模型，常用于：

在已經(jīng)找到的目標用戶群體中，發(fā)現(xiàn)流失用戶的集中特點，比如最后一次購買間隔超過6個月，此時可以對超過6個月的用戶做流失前的挽回；

要針對A類商品促銷，可以針對購買了A類商品的用戶進行規(guī)則挖掘，可能找到的是上次購買的是C商品，同時收入高于1000，地域是北京的用戶，此時直接提取出具備該規(guī)則的用戶進行精準營銷；

比如現(xiàn)在有一批新品需要推廣，需要找到目標人群，可以針對已知人群進行挖掘，最終出來的結(jié)果可能是搜索搜索了黑色、篩選了“新品上架”、年齡是25歲以下的女性用戶，針對具備這些規(guī)則的用戶的精準營銷必然具有很好的效果和拉升作用；

把客戶進行A/B/C分級之后，找到A類客戶評論、標簽和關(guān)鍵字中的關(guān)鍵字段，找到各類用戶的典型情感標簽。

以上四類是文本數(shù)據(jù)挖掘中最常用的場景，由于文本的限制，文本不能參與到數(shù)據(jù)挖掘中對變量類型要求是數(shù)據(jù)值相關(guān)的字符集的建模中。但文本經(jīng)過處理后可以作為建模的重要變量，并且該變量由于非結(jié)構(gòu)化的屬性，具有更多的色彩。

在文本挖掘中，充滿挑戰(zhàn)的是對文本段落的挖掘和關(guān)鍵字的提取，比如用戶在一段評論中，如何提取大段文字中的關(guān)鍵字標簽是關(guān)鍵，當然欣喜的是國內(nèi)已經(jīng)有些公司有實力做文本關(guān)鍵字的提取，同時結(jié)合SEO的方法基本能有效提煉大段文字中的關(guān)鍵字。

但另一個挑戰(zhàn)是文本的“語意”。由于文本在漢語中的豐富的色彩，對文本的感情屬性的判斷需要根據(jù)語境，比如“很好”這個詞，普通情況下是贊美的語意，但如果上文說到是負面，再結(jié)合這個詞，則明顯是諷刺的意思。文本語意挖掘在用戶輿論風向標、用戶評價積極性、用戶滿意度和好感度中的應(yīng)用及其重要，目前尚沒有有效的機器解決方案，當前更多的是結(jié)合機器算法以及人工識別是主流解決方法。

當然，隨著機器學(xué)習算法的深入研究以及CPU性能的提高，機器很有可能達到或超過人腦的能力，屆時可能會實現(xiàn)對語言的判斷，另外通過人工干預(yù)預(yù)設(shè)固定場景和學(xué)習路徑，也許會解決中國語言中語境的問題。