共 3 篇相关文章
这篇讲的是密度聚类算法OPTICS。它出发点是为了解决经典DBSCAN算法对邻域半径Eps和最小点数minPts这两个参数过于敏感的痛点。OPTICS作为DBSCAN的扩展，核心优势在于让聚类过程对半径参数Eps不再敏感，只需设定好minPts，轻微的Eps变化就不会干扰最终的聚类结构。 为了达成这一点，文章解释了两个关键新定义：核心距离和可达距离。核心距离是一个点成为核心对象所需的最小半径；可达距离则结合了核心距离，决定了点在排序中的位置。算法并不直接输出簇，而是通过维护“有序队列”和“结果队列”，生成一个基于可达距离的样本点排序。这个排序信息非常丰富，从它可以推导出在不同参数设置下DBSCAN的聚类结果。 最终，我们可以将这个排序可视化：以输出次序为横轴，可达距离为纵轴绘图。图中的“山谷”代表簇，谷越深簇越紧密；平坦区域或凸起则可能对应噪声。通过设定一个距离阈值切割这个图，就能灵活提取出聚类结构。文章最后还提及了OPTICS在异常检测、子空间聚类等方向的扩展算法。
这篇讲的是互联网信息组织的两种基础方式——分类与标签。文章以一幅生动的“Web 2.0地图”图片为引子，指出标签已经成为网络2.0时代用户参与和内容多元化的象征。 作者从互联网信息爆炸的背景出发，解释了分类系统（如传统的网站目录）是一种预设的、层级化的信息归档方式，它由管理员定义，结构清晰但相对僵化。而标签则是由用户自由添加的、扁平化的元数据，它更灵活、能反映多元视角，体现了从“权威定义”到“大众协作”的Web 2.0核心思想转变。文章进一步分析，分类擅长构建稳定的知识框架，而标签则擅长发现内容之间的非正式、跨领域关联。 通过对比，作者揭示了二者在信息发现、内容管理与社区构建上的不同作用，帮助我们理解从门户时代到社交时代，信息组织逻辑是如何演变的。
这篇探讨的是如何用“生活形态”这把尺子，更精准地丈量网络消费者的世界。文章指出，传统的人口统计学指标，如年龄、性别、收入，在解释消费行为上正显乏力。因此，需要从更深处切入——引入源自社会学与心理学的生活形态维度，去捕捉那些隐藏在数据背后的态度、价值观与决策动机。 作者从市场营销的经典理论出发，将其直接对准了网购迅猛发展的当下场景。文章的核心在于论证：购物网站要赢得未来，就不能仅停留在“用户买了什么”的表面数据，而必须深入“用户为何而买”的内在逻辑。通过剖析现有及潜在消费者的生活形态与消费观念，平台才能超越交易表象，真正洞察其价值诉求。 这意味着，分群策略将从冰冷的标签走向鲜活的生活图景。当理解了不同生活形态人群的深层动机，产品推荐、服务设计乃至品牌沟通，都能实现从“广撒网”到“精准共鸣”的转变。对于电商从业者而言，这无疑提供了一个从人性层面深挖用户价值、构建差异化竞争力的有力框架。
