企业官网建设流程全解析

第9章 聚类是什么：让行为像的人自己抱成团

小白一句话：聚类就是机器自己把"行为像"的用户归到一伙，你不用提前告诉它分成几类、每类长什么样——它只看特征，谁离得近就谁一伙。

前面第2章说过，本项目有两套模型。活跃度预测（监督）回答"未来 7 天回不回来"，那是第 5 部分的主菜。这一章先讲另一套：行为分类（无监督）。它回答的是另一个问题——这群人里，谁和谁的行为风格是一类？

为什么需要这个？因为"活跃不活跃"和"行为是什么风格"是两码事。一个每天来领、五种任务都碰的人，和一个每周只来一次、只领一种任务的人，活跃度可能都不低，但行为画像天差地别。把这种"风格"摸清楚，既能单独用（给运营分群），也能喂给后面的活跃度模型当额外特征。而它最大的特点是：不需要标签。我们手头没有"这个用户属于哪类行为"的标准答案，就让机器自己从数据里找结构。

聚类的直觉：距离 = 行为像不像

聚类的前提只有一个：能把每个用户变成一串数字（特征向量）。这件事第7章已经做完了——每个用户到评分日为止，都有一份行为指纹（新近度、频率、持续性、趋势、偏好那些）。

有了这串数字，“两个用户行为像不像"就可以翻译成"他俩的向量离得近不近”。距离近 → 行为像 → 该一伙；距离远 → 行为不像 → 分开。

最常用的算法是K-Means，它的想法朴素到能一句话讲完：

先随便撒 k 个"中心点"，把所有点分给最近的中心，然后挪中心到各堆的重心，再重新分，再挪中心……反复几轮，直到中心点不动了，分堆就定了。

就这么来回迭代，机器慢慢把空间切成几块，每块里的人彼此最像。

上手：用示例数据跑一个最简单的聚类

我们用第7章算好的行为指纹，先挑两个最直观的维度来看——全期活跃天数（来得多不多）和任务种类数（行为丰富不丰富）。把 57 个有充分历史的用户（评分日前零记录的冷启动用户先排除）画到这两维上，再让 K-Means 自动分 3 堆。

代码用第4章装好的 scikit-learn，几行就够：

importnumpyasnpfromsklearn.clusterimportKMeans# fps: 第7章算好的行为指纹列表；每人含 dall(全期活跃天数)、ntask(任务种类数) 等X2=np.array([[fp["dall"],fp["ntask"]]forfpinfps],dtype=float)km=KMeans(n_clusters=3,random_state=20260827,n_init=10).fit(X2)forcinrange(3):mem=[fp["uid"]forfp,ainzip(fps,km.labels_)ifa==c]cx,cy=km.cluster_centers_[c]print(f"簇{c}: 中心=({cx:.1f}天,{cy:.1f}类) 人数={len(mem)}")

跑出来的真实结果：

看这张表，机器干了件你肉眼也做得到、但 57 个人时懒得做的事：它把"几乎天天来且啥都领"的人（簇 2）、"来得中等且啥都领"的人（簇 0）、“来得稀且只领一两种"的人（簇 1）自动隔开了。没人告诉它"高频多任务”"低频少任务"这些词，它只看了数字就近乎还原了这些行为模式。

横轴是"全期活跃天数"，纵轴是"任务种类数"。蓝色点（簇 0）和中绿点（簇 2）都集中在 y=5 附近，但它俩被横轴切成了"中频多任务"和"高频多任务"两堆；橙色点（簇 1）全在低区，y 值通常只有 1~3。黑色 X 是每个簇的中心。三堆几乎不打架，边界清楚——这就是机器按距离"抱团"的结果。

簇编号只是代号，不是等级

新手最容易犯的错，是看到"簇 0、簇 1、簇 2"，顺手当成"弱、中、强"三等。这是错的。

K-Means 给簇编号，纯粹是"第一堆、第二堆、第三堆"的代号，编号大小跟强弱无关。上面表里簇 0 中心是 (10.9, 5.0)、簇 2 是 (19.7, 5.0)——簇 2 比簇 0 更活跃，但编号反而更大。如果把编号当等级，结论就反了。

所以无监督聚类产出的是"分群"，不是"打分"。这堆人行为像、那堆人行为像，但哪一堆"好"哪一堆"差"，模型不关心，也没资格关心——它根本没见过标签。这也是为什么本项目把"行为分类"和"活跃度预测"拆成两个模型（第2、3章讲过）：分群告诉你"他是哪类人"，预测才告诉你"他会不会回来"，两件事不能混。

维度一多，就得先"把尺子拉平"：标准化

刚才只用两维，天数和种类数都是十以内的小整数，尺度差不多，直接喂进去问题不大。但真实聚类用的是第7章那一整排特征：全期活跃天数顶多 22，总奖励金额却上百，趋势在 −3~+1 之间，偏好熵在 0~2.3 之间。

不处理的话，K-Means 算距离时会被"数值大的维度"牵着走——总奖励几百，轻轻一动就比天数差十几还大，天数、趋势这些小维度直接被淹没，聚类就变成"按花钱多少分堆"了，不是我们想要的"行为风格"。

解决办法是标准化：把每个特征都变成"均值 0、标准差 1"，相当于把所有尺子拉到同一把刻度上再比距离。scikit-learn 里一行搞定：

fromsklearn.preprocessingimportStandardScaler keys=["recency","d7","d14","dall","longest","trend","ntask","top_share","entropy","amount"]raw=np.array([[fp[k]forkinkeys]forfpinfps],dtype=float)Xs=StandardScaler().fit_transform(raw)# 每列都变成均值0、标准差1

我们对标准化后的 10 维特征再跑一次 K-Means，这次分 5 堆（附件/04_行为聚类篇/behavior_cluster_intro.py里是同一段逻辑），结果很有意思：

注意簇 1 和簇 3：都是"中高频、五种任务都碰"，但簇 1 的趋势是 +0.6（在涨），簇 3 的趋势是 −1.8（在掉）。靠"全期天数"这一维，这两堆会被混在一起；加上"趋势"维度、标准化后一起看，机器就把"正在变凉的高频用户"单独挑出来了。这正是多特征 + 标准化的价值——它抓到了单看一个维度抓不到的结构。

这张图不是用原来的"天数/种类数"坐标了，而是把 10 维特征先标准化、再聚类，最后用 PCA 压缩到 2D 给你看分群结构。横纵轴（PCA-1/PCA-2）本身已经没有"天数"或"奖励"那么直观的含义，它只是帮你肉眼判断：5 个簇是不是各据一块、彼此分开。从图上看，橙色、蓝色、紫色、红色、绿色五坨点基本各自抱团，说明高维聚类确实切出了单看一两维切不出的细分结构。

（这 5 堆只是演示用 k=5，真实项目里 k 选几、每堆叫什么，是下一章"跑通行为聚类"要专门讲的。）

聚类不是只有 K-Means

K-Means 好懂好用，但它有脾气：得先指定分成几堆（k）、对"形状不规则的堆"不敏感、对异常点比较脆。真实项目里，行为分群也常用GMM（高斯混合模型）——它不光告诉你"归哪堆"，还给你"属于每堆的概率"，更适合行为有渐变、不好硬切的情况。本项目行为分类用的就是这一类思路。

不过对入门来说，先把 K-Means 的直觉吃透就够了：它本质上就是"按距离把像的人抱团"，其余算法是在这个想法上补各种短板。

动手：自己看机器怎么分

打开附件/04_行为聚类篇/behavior_cluster_intro.py（依赖第4章的 numpy + scikit-learn），跑一遍：

python 附件/04_行为聚类篇/behavior_cluster_intro.py

你会看到和上面表格一致的簇中心和人数。然后做两件事，不用改算法也能体会到聚类的意思：

1. 先把簇编号遮住，自己目测分 3 堆。看着 (全期天数, 种类数) 这两个数，你会怎么把 57 个人分成"高频多任务 / 中频多任务 / 低频少任务"？再和机器输出的簇对一下，是不是八九不离十？
2. 想想"簇编号能当分数吗"。机器给簇 2 编了最大的号，但簇 2 只是"几乎天天来"那一堆。如果运营拿簇编号当"活跃等级"去发奖励，会发生什么？把你的答案和本章"簇编号无意义"那节对照一下。
3. 打开生成的图，再和表格对一下。跑附件/04_行为聚类篇/behavior_cluster_viz.py会输出附件/04_行为聚类篇/behavior_cluster_2d.png和附件/04_行为聚类篇/behavior_cluster_pca.png。先遮住图例，自己给三个色块各起一个人话名字（比如"几乎天天来、啥都领"），再对照上面表格里的簇中心，看你对不对得上。

把"聚类 = 按距离自动抱团、编号只是代号、多特征要先标准化"这三件事记牢，下一章就能顺着它把真实的行为分群跑通、再给每堆起上人话名字。

本章配套脚本：附件/04_行为聚类篇/behavior_cluster_intro.py（打印簇中心）和附件/04_行为聚类篇/behavior_cluster_viz.py（生成配图）。二者都基于 scikit-learn；所需的 numpy、scikit-learn、matplotlib 已在第4章附件/00_公共/requirements.txt中列出，环境搭建见第4章。