尊敬的【高启强】：您网购的《孙子兵法》正在配送…
望墨溢约 7 分钟
正文共2598字， 预计阅读时间约为8分钟 也可点击本篇推文音频， 用耳朵聆听知识~
小时候，我们寄信的时候，必须准确无误地给出目的地信息，包括省、市、区、街道、门牌号和单位名，只要有一个信息有误，邮递系统就可能找不到目的地，或把信发到错误的地方。
现如今，我们在网购平台添加收货地址时， 无需给出完整的信息，系统就能自动帮我们补齐缺少的信息。 例如，高启强想网购一本《孙子兵法》，他只需填写“临江省京海市旧厂街鱼摊”，平台就会帮他补齐缺少的行政区信息，甚至鱼摊的门牌号。
这个功能是怎么实现的呢？大院er向大家介绍一种非常重要的算法——聚类，它被广泛地应用于我们生活的方方面面。
什么是聚类
“分类”（Classification）的概念，我们一定不陌生，它是指根据明确的特征差异，将若干事物分为多个部分。例如，高启强从批发市场进了一批鱼，按照“吃草还是吃肉”，可以将其分为2类。
分类所依据的特征是完全明确的 ，一条鱼被分到“吃草”类还是“吃肉”，结果是确定的，且与其它鱼被分到的类别无关。另外，某个类别中可能没有任何元素，例如这次进的全是吃草的鱼，没有吃肉的鱼。
（分类：特征明确，结果确定）
聚类（Clustering）与分类表面上很像，但底层逻辑又截然不同。 表面上，聚类也是将若干事物分为多个部分；但不同的是， 聚类并不依据任何明确的特征，而是根据差异性。 例如，高启强从鱼缸里抓了一把石子，想把它们分为两堆，原则就是这两堆石子“差异最大”。
这里的“差异”，并不是一个明确的概念。任意两个石子，在大小、形状、颜色、质地等方面均不同。两个石子是否被归为一类，不仅取决于它们是否相似，更取决于是否有其它石子与其更相似。
（换个角度说，聚类不是寻找“相似”，而是寻找“更相似”）
另外，也不难理解，聚类的任何类别都必须有元素。例如，高启强不可能把全部石子归为一类，另一类没有一个石子。
聚类有什么用呢？它可以“学习”。 所谓学习，就是根据已有的经历，对过去的世界产生一定的认知，当接触新的事物时，对其做出可预计的反应，例如将其归到某一类熟悉的事物中。
（学习：根据旧事物来建模，以此对新事物做出反应的过程）
举例来讲，高启强将一堆石子（已有的经历）进行聚类，将其分为两类（产生认知），当他从鱼缸里拿出一颗新的石子（接触新事物），可根据新石子与两类石子的相似性，将新石子归到某一类（做出反应）。
（根据已有的聚类/学习成果，就可以对新石子进行归类）
在下文中，我们并不详细讲解各种聚类算法，而是着重介绍聚类的应用。
收货地址——写错了地址也不怕（别错得太厉害）
回到本文最初的问题：高启强网购《孙子兵法》时，平台是如何帮他自动补齐收货地址的？
最初，网购平台也没有这个功能，但它拥有大量用户输入的地址，其中有正确且详细的地址，也有残缺甚至错误的地址（这些就是平台的“学习资料”）。
然后， 平台根据这些地址的“差异性”，对其进行聚类。 不难想象，同一个地址对应的信息相似性最大，差异性最小，这些详细或残缺的地址被归为一类（平台的“学习成果”）。
例如，“京海市旧厂街鱼摊”、“临江省京海市xx区旧厂街xx号鱼摊”、“临江省京海市旧厂街鱼摊”等信息，被平台归为一类，即平台认为它们对应同一地址。而“枫丹白露”、“京海市枫丹白露”、“临江省京海市xx区xx街xx号枫丹白露”被归为另一类。
最后，当高启强输入“临江省京海市旧厂街鱼摊”时，平台发现，这个信息与“临江省京海市xx区旧厂街xx号鱼摊”这一类更为相似，而与“枫丹白露”这一类差异较大，那么平台就能从“鱼摊”类中选出最详细的地址，进而帮高启强补齐信息（平台对输入做出反应）。
（高启强：我那鱼摊还有门牌号呢？我自己都不知道）
甚至，即使高启强打错了字，输入“临江省京海市旧厂街鱼 滩 ”，平台依旧认为它和“临江省京海市xx区旧厂街xx号鱼摊”这一类更为相似，而不是“枫丹白露”类，进而帮助高启强自动纠错。 当然，错误不能太大，如果输入“汉东省京州市…”，那平台就无法找到相应的地址。
语音助手——说不说普通话都能听懂
除了自动补全、纠正收货地址以外，聚类还可以用于地图APP的语音助手，它背后的原理也是聚类，只是需要两次聚类/学习。
假如高启强和蒋天都用同一个地图APP，也都喜欢用它的语音助手，可高启强讲普通话，而蒋天讲“港普”，发音差异很大，语音助手又是如何“听懂”两个人的指令呢？
第1次学习
与收货地址的学习类似，地图APP先收集大量的语音信息，包括各个年龄段、性别，地区（方言），作为“学习”的资料。
然后对其进行聚类，同一个汉字对应的发音更为相似，即使它们带有方言口音。例如，多个“jiu”的发音被归为一类，“chang”和“jie”亦是如此。
第2次学习
可“jiu-chang-jie”又是什么地方呢？“jiu-chang-jie”可以是“酒厂街”、“酒昌节”、“救场姐”……
利用相同的聚类/学习原理，地图APP发现“jiu-chang-jie”与“旧厂街”最为相似，因此自动判定目的地是“旧厂街”。
这样一来，无论是高启强用普通话讲“旧厂街”，还是蒋天用“港普”讲“旧厂街”，地图APP都能直接导航到旧厂街。
内容投放——如果高启强掌握了这个方法，人生可能不同
聚类还可以用于内容投放。如果高启强掌握了这个方法，可能真的能做上“正经生意”。
举例来讲，若强盛集团想给网络用户投放手机销售的广告，而不同用户喜好的风格、需要的功能和手里的预算不同。如何才能精准投放，向不同的用户群体展示他们更可能购买的手机型号，进而提高广告的效率，降低成本呢？
首先，我们应有一个概念： 每个人在网络里的行为习惯都是可以被量化的。 一个人的消费历史、搜索记录、征信报告、购物类型及比例等等，都反映了一个人的行为习惯，而绝大多数人的行为习惯有很强的“惯性”，短期内难以改变。
（对算法而言，人只是一串数，只要信息够多，就能还原、预测一个人）
强盛集团可以购买和收集大量用户的信息，用这些信息对用户的行为习惯进行“描述”，这些信息就是强盛集团的“学习资料”。
然后，对这些用户进行聚类，拥有相似行为习惯的用户被归为一类，归为一类的用户大概率会选择相同型号的手机，这就是强盛集团的“学习成果”。
再然后，对这些用户类别进行特性提取，例如第1类用户是“时尚达人”，第2类用户是“职场精英”，第3类用户是“企业高管”……
（精准投放的本质是用户的聚类）
最后，就可以对不同类别的用户进行精准的广告投放，例如向“时尚达人”投放功能新颖的机型，向“职场精英”投放商务型手机，向“企业高管”投放高端机型。
这样一来，强盛集团就大大提高了用户的购买概率，提高了广告效率，也许就成功“转型”了，不必借助黑社会势力来赚钱了。
再谈“学习”——为什么安欣和高启强的价值观截然不同
前面提到过，聚类是一种非常重要的“学习”手段。具体来讲，它是一种 “无监督学习”（Unsupervised Learning） ，即没有任何先验信息的学习。
无论是高启强分石子，还是网购平台补齐收货地址，都仅仅使用了手里的样本信息，而这些样本本身没有任何的标签信息。
相对应的，还有一些算法属于 “有监督学习”（Supervised Learning） ，即使用了先验信息的学习。小球分类就是一种典型的有监督学习，它使用了每个小球明确的颜色信息。
当没有可信的先验信息可用时，无监督学习可能是唯一的方案。 可以说，无监督学习的结果完全取决于样本数据（学习资料）。
例如，高启强多次体验到“有关系”给他带来的尊严后，逐渐学会了建立自己的关系网。这当然是一个片面的认知，但对于高启强而言，他的经历/样本只能得到这一结论。
当先验信息的准确性很高时，有监督学习的性能自然高于无监督学习。 例如，安欣从小在警察家庭长大，他接触的一切事情都有“好”或“坏”的标签，也就逐渐成长为一个坚守底线的人民警察。
（对学习而言，好的先验信息非常重要）
作者：望墨溢
作者单位：西北工业大学航海学院
版权说明 ：未经授权严禁任何形式的媒体转载和摘编，并且严禁转载至微信以外的平台！
文章首发于科学大院，仅代表作者观点，不代表科学大院立场。转载请联系[email protected]
科学大院 是中科院官方科普微平台，由中科院科学传播局主办、中国科普博览团队运营，致力于最新科研成果的深度解读、社会热点事件的科学发声。
转载授权、合作、投稿事宜请联系[email protected]
大院er拍了拍你：不要忘记
点亮这里的 赞 和 在看 噢~