Кластеризатор ключевых слов на Excel Роман Игошин

Метод

Кластеризация — распределение запросов по кластерам. Кластер — это группа запросов, схожих по смыслу и набору слов. Чтобы выделить такие запросы и объединить их в кластер, нужен признак.

Используем для этого нормализованную форму запроса — уберём окончания и выстроим слова в порядке важности:

Удаление окончаний позволит охватить все возможные словоформы для конкретного слова, а сортировка «по важности» — игнорировать порядок слов

Убираем окончания

Слово без окончания — это признак, который объединяет разные словоформы:

Чтобы убирать окончания я использую mystem. Это лемматизатор от Яндекса. Он обрабатывает список слов и возвращает нормализованные значения — леммы.

Если система не уверена, какая лемма правильная, то покажет 2–3 варианта. Например, для слова «банку» mystem вернёт две леммы: «банк» и «банка». При проверке результатов мы выберем нужную.

Определяем важность

Сортировка «по важности» позволит игнорировать порядок слов. При сортировке нормализованных значений фраз по алфавиту мы получим готовые кластеры — группы запросов, схожих по смыслу и набору слов.

Важность слова — вычисляемый параметр для конкретного списка ключевых слов. Он не определяет важность слова в общей картине мира.

Важность слова рассчитывается из частотности и количества упоминаний слов в списке. Рассмотрим на примере.

Берём список запросов с частотностью

• Купить бумеранг: 1000
• Бумеранги цена: 700
• Бумеранги в москве: 750
• Купить классический бумеранг: 450
• Цены на бумеранги в москве: 350
• Купить классический бумеранг в москве: 100

В списке запросов встречаются слова: купить, бумеранг, классический, москва, цена, в, на. Вес слова равен сумме долей частотностей помноженных на количество упоминаний слова.

Считаем доли частотностей

• Купить бумеранг: 1000 = 1000/2 = 500
• Бумеранги цена: 700 = 700/2 = 350
• Бумеранги в москве: 750 = 750/3 = 250
• Купить классический бумеранг: 450 = 450/3 = 150
• Цены на бумеранги в москве: 350 = 350/5 = 70
• Купить классический бумеранг в москве: 100 = 100/5 = 20

Считаем вес слов

• Купить: (500+150+20)*3 = 2010
• Бумеранг: (500+350+250+150+70+20)*6 = 8040
• Классический: (150+20)*2 = 340
• Москва: (250+70)*2 = 640
• Цена: (350+70)*2 = 840
• В: 20
• На: 70

Сортируем по важности

• 8040: бумеранг
• 2010: купить
• 840: цена
• 640: москва
• 340: классический
• 70: на
• 20: в

Располагаем запросы по важности

• Купить бумеранг: бумеранг | купить
• Бумеранги цена: бумеранг | цена
• Бумеранги в москве: бумеранг | москва
• Купить классический бумеранг: бумеранг | купить | классический
• Цены на бумеранги в москве: бумеранг | цена | москва | на | в
• Купить классический бумеранг в москве: бумеранг | купить | москва | классический | в

Упорядочиваем и чистим

• Бумеранг | купить: купить бумеранг: 1000
• Бумеранг | купить | классический: купить классический бумеранг: 450
• Бумеранг | купить | москва | классический: купить классический бумеранг в москве: 100
• Бумеранг | москва: бумеранги в москве: 750
• Бумеранг | цена: бумеранги цена: 700
• Бумеранг | цена | москва: цены на бумеранги в москве: 350

В итоге получили первые группы объявлений, с которыми можно работать дальше: укрупнять, объединять, кросс-минусовать. Для этого используем Excel.

Реализация в Excel

Выполняем последовательность действий в таблице с формулами. Кластеризация 1000 запросов займет 30 минут.

Алгоритм одной строкой

Собираем СЯ → собираем частотность → разбиваем запросы по словам и вычисляем доли весов → формируем таблицу-справочник с весами слов → выделяем леммы для слов → вычисляем «вес» леммы → формируем таблицу-справочник с леммами → делаем первичную кластеризацию → укрупняем полученные группы.Шаг 1. Вычисляем доли весов и разбиваем запросы по словам

2. Разбиваем слова по фразам функцией «Text to columns»:

Шаг 2. Формируем таблицу-справочник с весами слов

Лист «Слова — Леммы», таблица «Word»

1. Копируем столбцы W1—W7 на новый лист.
2. Преобразуем таблицу из формата[W1] [W2] [W3] [W4] [W5] [W6] [W7] [Доли весов] в формат:[W1] → [Доли весов][W2] → [Доли весов][W3] → [Доли весов][W4] → [Доли весов][W5] → [Доли весов][W6] → [Доли весов][W7] → [Доли весов]:

3. Удаляем пустые ячейки и считаем кол-во упоминаний каждого слова.

Шаг 3. Выделяем леммы и дорабатываем справочник со словами

Лист «Слова — Леммы», таблица «Word»

1. Копируем полученный на прошлом шаге список слов «как есть».
2. Обрабатываем через mystem → получаем леммы для каждого слова.
3. Считаем кол-во упоминаний каждой леммы.

Шаг 4. Формируем таблицу-справочник с леммами

Лист «Леммы», таблица «Lemmas»

1. Копируем полученный список лемм на новый лист и удаляем дубли.
2. Из справочника со словами подтягиваем VLOOKUP-ом кол-во упоминаний каждой леммы.
3. Считаем кол-во символов в лемме.
4. Вычисляем «вес» леммы:Вес Леммы= [Сумма долей весов слов, входящих в Лемму] * [Кол-во упоминаний Леммы].Формула:=(SUMIF (Words[Lemma],[@Лемма], Words[Доли весов]))*[@[Кол-во упоминаний]].
5. Сортируем леммы по столбцу «вес» — от большего к меньшему.
6. Проставляем «Статус» для лемм — минимальный для старшей леммы (лучше начать с 1 000), дальше +1 к следующему статусу:

Шаг 5. Делаем первичную кластеризацию

Лист «Кластеризация», таблица «Main»

Для каждого слова в столбцах W1-W7 подтягиваем VLOOKP-ом значения «Статус» → записываем их столбцы L1-L7:

Итак, что мы сделали. Разбили запросы по словам. Для каждого слова выделили лемму — можем объединить запросы по общим словам. Для каждой леммы посчитали вес. Остаётся выстроить слова в запросе в порядке важности. Тогда при сортировке по алфавиту запросы сами объединятся в группы объявлений.

Выстраиваем слова в порядке важности функцией SMALL. В диапазоне статусов L1 – L7 ищем самый маленький статус — это самое важное слово во фразе. Затем, ищем второй самый маленький статус — это второе по важности слово во фразе. И так еще пять раз — проверяем оставшиеся столбцы L3 – L7.

Получаем последовательность статусов. Например, 37 → 100 → 200 → 700. Для каждого статуса подтягиваем VLOOKP-ом соответствующую Лемму из справочника Лемм. Соединяем Леммы CONCATENATE-ом и получаем нормализованное значение фразы. Я использую его как название группы объявлений.

Сортируем по алфавиту:

Полная рабочая формула в файле-примере.

Шаг 6. Укрупняем полученные группы

Игнорируя окончания и порядок слов, мы объединили запросы с одинаковым набором слов. Количество групп стремится к количеству слов — это 100 % точность инструмента. Можно использовать, если вы предпочитаете работать с запросами в точном соответствии.

Чтобы укрупнить группы, нужно уменьшить точность — снизить количество лемм, которые составляют «нормализованную форму».

Что можно удалить:

• одинокие буквы, цифры, предлоги, доменные зоны. Леммы длиной 1–3 символа;
• редкие леммы — кол-во упоминаний меньше среднего по списку;
• леммы с малым весом — недостаточно «важные»;
• в редких случаях — топонимы.

Важно: лемму не удаляем, только её «Статус» — этого достаточно, чтобы лемма не попала в «нормализованную форму»:

В основной таблице ничего править не надо — результат обновится самостоятельно.

До какой степени укрупнять: я стремлюсь к среднему показателю 2–3 запроса в одной группе объявлений и слежу за максимальным количеством фраз (помним про ограничения систем контекстной рекламы).

Резюме

Полученный список групп удобно кросс-минусовать и двигать между кампаниями. Название группы поможет писать объявления — вы сами определяете важные слова в названии группы.

Ещё раз алгоритм: собираем СЯ → собираем частотность → разбиваем запросы по словам и вычисляем доли весов → формируем таблицу-справочник с весами слов → выделяем леммы для слов → вычисляем «вес» леммы → формируем таблицу-справочник с леммами → делаем первичную кластеризацию → укрупняем полученные группы.

Отзывы джедаев о кластеризаторе

Записал и отредактировал Виталий Семыкин