SolrQuery挖掘--单维度聚合分析

单维度聚合分析

为什么选择搜索引擎 单维度聚合分析应该是各种分析统计中最为简单、直接。 对于主动搜索、被动搜索一体的应用场景，有登录和无登陆等统一兼顾。并且提供接口服务，按需返回维度信息，并且可以复用。 无疑采取搜索引擎，依赖搜索引擎的facet统计功能，最为直接、快捷、有效、低沉本。前提是对搜索引擎比较熟悉，否则光一个 搜索引擎就折腾死人了。

单维度聚合分析意义 单维度分析意义主要在掌握数据属性、用户属性、热点发现。 例如：某个产品上某个用户一段时间搜索词聚合，然后对聚合词语义分析，将可以分析出该用户的某些历史偏好、行为特征、消费 倾向、社区角色等。 例如：一段时间内产品上用户在搜什么，那些是热点词，是否与运营活动相关，是否是产品的重点词范畴等。 例如：将关键词、时间、产品倒排起来，那么就可以知道任何时间段内，具体产品活跃的关键词分布，间接知晓产品的“语义集合” 例如：将关键词、用户、时间倒排起来，那么很容易知晓那些词偏女性、那些词偏男性、那些词中性，用户那个时候搜的多、是那些词 例如：将关键词、排序、翻页、命中倒排起来，那么很容易发现点击热点、超时分析等。

大家都关注结果去了，没有人喜欢过程，尤其是周期性、长期的过程。在淘宝上成交量、客单价为主题的大环境，任何和交易不相关 、任何不能直接影响交易、任何只是提升用户细微体验等等工作，都是一个“弱势”需求，甚至等于不是需求。 所以，技术即使实现，也不见得有人会关注、有人去用。KPI中不会因为用户体验而打分，KPI中不会因为改善排序效果而肯定。 因为本身这些不好评估效果，特别是短期内的效果。更本质的可能是这些“无关交易”！

单维度聚合关键问题

维度的选择 既然是单维度聚合，那么维度的选择就非常重要了。这个需要不是技术一方面说的算，更多的依赖业务。 而往往习惯了运营为主、人肉、经验为主的 淘宝居多业务，对交易之位的属性关注度明显的不在意。 也甚至出现，计算出来的结果会在 白名单、黑名单过滤下，面目全非。 通常基本的维度不可少：时间、业务、人、关键词等。也即时间、地点、人物、事件。

输入就是线上日志，输出就是格式化文档或者倒排索引结构。 在输入和输出之间就是转换。转换的过程其实非常麻烦的问题，只看一端只觉得问题很easy！ 麻烦之处：

(1)提取规则

日志总是有许多莫名其妙的格式、内容、乱码。很难有一个100%的规则，满足所有请求日志。 即使有，也很难很容易的扩展到其他应用。例如solr 日志格式是有规律的，但是用户内容不一定有规律。 基于文本标签提取，自然会遇到内容的标签问题。提取完毕之后，schema结构具体应用是不一样的。

(2)提取速度

越精细越耗时，并且java String对象处理起来比较方便，却速度上远远低于char，而char处理不是很方便。 对应solr query log 还是建议采取char为主、StringBuidler为核心变量。

(3)适应性

一开始都是追求100%解析通过，实际总有那么一些内容，搅合常规处理方法。为了适应这些非常规的请求， 往往会将之前的处理规则打破或者添加更多条件，然后整体性能突然下降。建议：能处理的快速处理，不能处理的 单独输入到一个文本，对于这些非常规的特殊处理。

单维度聚合实现样例 对于终搜 solr 日志 输入 2012-08-09 14:50:33,396 INFO [org.apache.solr.core.SolrCore] - [search4product-0] webapp=null path=/select params={q=+supplier_id% 3A649289 amp;sort=weight1+desc amp;rows=30 amp;start=0 amp;facet=true amp;facet.field=cat_path amp;hl.usePhraseHighlighter=false amp;echoParams=explicit amp;hl=true amp;hl.fl=title amp;hl.requireFieldMatch=true amp;hl.simple.pre= em amp;hl.simple.post= /em amp;hl.snippets=3 amp;hl.fragsize=2000 amp;timeAllowed=2500} hits=1762 status=0 QTime=123 2012-08-09 14:50:33,396 INFO [org.apache.solr.core.SolrCore] - [search4product-0] webapp=null path=/select params={q=+supplier_id:649289 amp;sort=weight1 desc amp;rows=30 amp;start=0 amp;facet=true amp;facet.field=cat_path amp;hl.usePhraseHighlighter=false amp;echoParams=explicit amp;hl=true amp;hl.fl=title amp;hl.requireFieldMatch=true amp;hl.simple.pre= em amp;hl.simple.post= /em amp;hl.snippets=3 amp;hl.fragsize=2000 amp;timeAllowed=2500} hits=1762 status=0 QTime=123
提取输出 2012-08-09T14:50:33Z# amp;search4product-0# amp;supplier_id:649289# amp;sort:weight1 desc# amp;hits:1762# amp;QTime:123 构建solr document
数据分析：5个数据相关性指标 相似性度量是许多数据分析和机器学习任务中的重要工具，使我们能够比较和评估不同数据片段之间的相似性。有许多不同的指标可用，每个指标各有利弊，适用于不同的数据类型和任务。