跳过正文
  1. 人生旅途/

标签分类理论

·5354 字·11 分钟· ·
冯若航
作者
冯若航
Pigsty 创始人, @Vonng
目录

最近在某业务中需要设计一套标签管理系统。在对现有标签进行整理的过程中,倒腾出了这套理论。

0. 标签的定义:标签分类学(Taxonomy)
#

对于标签(tag),很难列出一个公认的定义,指明这个概念的种差与属概念。 所以为了把握这个概念,就需要采取定义另一种办法:分类枚举

要解决的第一个问题是,有哪些类型的标签?如何对标签进行分类? 首先不妨对“如何分类”本身进行分类:分别从“形式”与“内容”上考察标签的分类。

1. 标签的形式分类
#

标签的形式是标签分类最主要的依据。 我们可以列出一些常见或者不常见的的“标签”样例:

性别标签:女
年龄标签:23
体重标签:90.6
偶像标签:阿西莫夫

最近到过的城市标签:['北京','青岛','成都']
兴趣标签:['滑雪','旅游','吃']
三围标签:[100,100,100]
上年消费额标签:[5250.12,6873.23,1232.12,3231.23,...,2321.24]

网站浏览偏好标签:{"问答类":0.55, "交友类":0.75, "旅游类":0.82, "团购类":0.32,"电商":0.78,...}
手机品牌偏好标签:{"iphone7":0.99, "iphone5":0.35, "小米3":0.12,...}
预测游戏分数标签:{0 : 0.2, ..., 100 : 0.003, ..., 198 : 0.01, 199 : 0.01, 2100 : 0.005,...}

预测年龄标签:30 : <置信度0.72>

通过观察,可以发现一些规律:

1.1 从标签的组织形式上看
#

  • 通常意义上的标签是单值标签,或称原子标签。其取值是一个独立的值。如2390.6
  • 一部分标签是多值标签多个原子标签作为一个整体,形成一个标签。例如微博上人们用来描述自己的关键词列表:例如:['90后','处女座','么么哒']
  • 多值标签的每个原子标签添加关联权值就得到了权值标签。例如对不同品牌手机的喜好程度:{"iphone7":0.99, "iphone5":0.35, "小米3":0.12,...}
  • 单个的原子标签带有权值也是常见的事情,例如给出一个预测年龄及其置信度。这种单kv结构也用权值标签来表示就会显得奇怪与累赘。因此应当单独作为一类,称为单权标签。例如:[30 , 0.72]可以表示预测年龄30岁,置信度0.72。

结论:
#

从标签的组织形式上看,标签可以分为四类:单值标签单权标签多值标签多权标签。 于是可以得到两个基本正交的维度:是否为多值标签是否带有权值。 这四种标签结构类型,单值标签多值标签多权标签,恰好与JSON的三种Primitive Type:atomic, array, object相对应。而特殊的单权标签可以映射为长度为2的array

1.2 从标签的原子类型上来看
#

我们知道,计算机(x86,通用计算机)的实现本质上只提供了整型浮点两种原子数据类型。指针,单字符,布尔,浮点数都属于数值类型,极其常用的字符数组可以看做字符串类型,那么逻辑上其实我们就只有两种原子数据类型:数值(Numeric)字符串(String)

所有原子标签只有数值字符串这两种简单分类的想法当然很美好。但出于现实的需求约束的考虑(比如就是有离散标签与连续值标签的区分,ODPS区分BIGINT和DOUBLE),我们还是会将数值细分为整型浮点,所以用于原子标签的类型变为了三种:整型浮点字符串

另一方面,对于权值标签(单权,或者多权),除了原子标签的具有类型,其权值也应当有一个合适的类型。强制其类型为数值是一个合理且合适的约束。更具体一些,将权值实现为Double是相当合理的选择。

标签的原子类型结构类型并不完全正交,这是出于一些技术上的约束。很多语言中的关联数组(Map)都可以使用各种类型作为Key(int,string,double)。然而JSON规范中只有string才可以作为Object的key。这并不是无法调和的问题:整型可以安全地通过序列化为string作为key。但浮点数的不精密性在序列化中会造成许多意想不到的麻烦,所以多值标签的原子类型不能为浮点。

结论:
#

从原子类型分类上看:标签可以分为整型浮点字符串

1.3 从对整型原子类型的解释方法上看
#

在2.1.2中,我们对标签的原子类型进行了分类。但我们必须考虑另外一种生产实践中最最常见的标签分类:枚举标签。枚举标签通常在形式上用一个整型表示,同时提供一个从整型值到字符串的枚举字典用于解释这个整型值。

例如:

# 性别标签字典
gender_dict = {0:'男', 1:'女', 2: '人妖'....}
# 性别标签取值
0                        # 一个用于表示男性的单值枚举标签
[0, 0, 1, 0]             # 一个用于表示家庭性别构成的多值枚举标签
{0 : 0.1, 1: 0.4}        # 一个用来表示预测性别+置信度 或者 性取向+倾向度 的多值枚举标签。

再比如:

# 省份对照字典
province_dict = {11:'北京',12:'天津',13:'河北',......}
# 省份取值标签
13                             # 单值枚举标签,我到河北省来!
{'11': 0.76, '13':0.1}         # 多值枚举标签,例如用户下一步预测作案地点概率+可行性。

另外在某种意义上,布尔标签就是一种特殊的枚举标签,其枚举字典为:{0:False,1:True},完全可以自然地纳入枚举标签的体系中,甚至通过枚举标签,还可以实现所谓的Nullable boolean,为布尔标签添加更多的语义。

所以,对于整型原子类型的解释方法也可以成为一个标签分类的维度。即是否为枚举标签。但是这个维度和2.1.3中原子标签类型的维度高度相关(因为当原子类型为整型时,本维度才有效)。所以这两个维度应当合二为一。

FAQ:
#

  • 枚举与整型的区别在哪里,即什么时候用整型什么时候用枚举? 很简单,取值可以穷尽、数目合理、变动不频繁的时候用枚举。例如,城市代码就是一个很合适的枚举标签:它可以穷尽,数量级完全可接受,虽然有可能变动,但几率和订正成本是可以接受的。另一方面,另一方面,一个人的头发数目肯定可以用一个整数表示,但一来无法穷尽,二来数目巨大,明显不适合作为枚举标签。

  • 枚举与字符串的区别? 例如,用户使用的手机品牌,似乎可以用一个单值字符标签标示,也可以用枚举来实现。但它更适合使用字符串而非枚举。因为手机品牌并不是数目固定的,会不断地有品牌诞生与消逝。在这种情况下,枚举字典的频繁变化将对于标签使用带来诸多不便。

  • 枚举标签的特殊之处? 枚举标签需要维护一张标签字典表,用于维护从枚举项ID枚举项Name的映射关系。多个枚举标签的字典可以在同一张表中维护。同时,枚举标签可以具有层次关系。例如"城市枚举标签"就可以有上层标签:“省份枚举标签”,具有层次关系的枚举标签可以通过提供枚举项映射,方便地实现上卷与下钻。

  • 为什么不采用字符串作为枚举项ID? 在绝大多数语言中枚举都是默认以整型实现的。整型ID相比字符串ID具有极大的性能优势与简洁性。

结论:
#

按照原子标签的取值类型与解释方式进行分类,我们可以得到一个维度:标签原子类型。 该维度的取值有4种: 枚举,整型,浮点,字符串

1.4 形式分类小结
#

由上述可知,从标签的形式上,我们获得了两个大的,基本正交的分类维度:

  • 组织形式:{ 单值标签单权标签多值标签多权标签 }
  • 原子类型:{ 枚举标签 , 整型标签, 文本标签, 浮点标签 , }

除了浮点多权标签不是合理的组合之外,其他共计 4 x 4 -1 = 15种组合。 即标签从形式上可以分为15个类型,恰好在4个bit的表示范围内。

按照标签原子类型的出现频率,可以为最常出现的标签类型分配靠前的编码。 因为最常见的标签都是单值标签,将标签结构类型的位域放在标签原子类型的位域之前是合理的设计。 枚举标签是数目最多的标签,整型其次,字符串标签有一些,浮点标签则比较少见。 所以,可以为标签的形式类型分配如下的编码:

1.4.1 标签结构类型字段
#

结构标记说明
单值标签0x00取值为单一原子类型相应值
单权标签0x01取值为单一原子类型及其权值,采用长度为2的数组表示
多值标签0x10取值为同种原子类型组成的列表
权值标签0x11取值为同种原子类型组成的字典,key只能为string或string(bigint)

1.4.2 标签原子类型字段
#

结构标记说明
枚举标签0x00实际为Bigint类型,默认类型,需要对照类型字典解读
整型标签0x01整型数值原子标签
文本标签0x10字符串原子标签
浮点标签0x11浮点数数值原子标签

1.4.3 标签形式分类一览
#

类型ID英文代号名称结构ID结构名原子ID原子名称存储
0atom-enum单值枚举0单值0枚举int
1atom-int单值整型0单值1整型int
2atom-text单值文本0单值2文本text
3atom-float单值浮点0单值3浮点float
4pair-enum单权枚举1单权0枚举json
5pair-int单权整型1单权1整型json
6pair-text单权文本1单权2文本json
7pair-float单权浮点1单权3浮点json
8list-enum多值枚举2多值0枚举json
9list-int多值整型2多值1整型json
10list-text多值文本2多值2文本json
11list-float多值浮点2多值3浮点json
12dict-enum多权枚举3多权0枚举json
13dict-int多权整型3多权1整型json
14dict-text多权文本3多权2文本json

这里需要提一下的是,标签形式分类与其存储类型的关系:

存储上,单值标签采用Bigint,Double,String存储。单权标签采用长度固定为2的数组[value,weight]存储,多值标签采用数组存储[value1,value2,...],多权标签采用对象{value1: weight1,...}存储,且当原子类型为整型与枚举时,其中的value应当存储其字符串序列化形式以符合JSON对key类型的要求。

从结果上看,所有单值标签都直接以其对应类型进行序列化存储。其余所有标签都采用JSON序列化的方式存储。

下面给出每种标签的样例:

1.4.4 标签形式分类样例表
#

idtitlestoragesample
0单值枚举int性别标签:1 {“0”:“男”, “1” :“女”}
1单值整型int年龄:23
2单值文本text喜爱小说:“百年孤独”
3单值浮点float体重:60.13
4单权枚举json预测性别:[1, 0.99]
5单权整型json预测年龄:[23, 0.99]
6单权文本json电视剧-喜爱度:[“星际迷航”, 9.8]
7单权浮点json预测体重:[60.13, 0.78]
8多值枚举json闹钟设置:[1, 2, 3, 4, 5]
9多值整型json三围:[100, 100, 100]
10多值文本json喜爱电视剧:[“星际迷航”, “绝命毒师”, “是的,大臣!”]
11多值浮点json月度消费记录:[6379.13, 6378.24, 6356.12]
12多权枚举json闹钟设置概率分布:{“1”:0.98, “2” :0.75, “3” :0.75, “4” :0.5, “5” :0.3}
13多权整型json幸运数字 - 喜爱度:{“7”:0.32, “5” :0.63}
14多权文本json网站浏览偏好标签:{“问答类”:0.55, “交友类” :0.75}

2. 标签的内容分类
#

标签按内容性质分类的方式,相比形式分类显得十分多样。可以纯粹的从标签的取值特性上分类(Nullable,权值是否归一化,etc…),也可以从标签的来源场景(移动端,PC端),标签的所有权(私有,内部,群组,公司),标签的规模,标签的依赖,标签的ID类型,或者前端展示时采用的层级类目,等等很多维度上进行分类。

形式分类会决定标签的展现形式,但内容分类并没有这种影响。所以按内容分类的结果更适合作为描述字段而非放入类型字段。换句话说,与其把内容分类称为分类,倒不如称之为可以动态添加的枚举属性更为合适。

但是对于内容分类,我们仍然需要进一步的考察。标签内容分类可以进一步细分为: 按标签固有属性分类,和按人为用途分类。属于标签固有属性的,适合放入标签元数据表中作为一个字段。而属于人为用途划分的,因为需求可能会频繁地发生变化。所以需要提供一种在不改变数据库Schema的前提下支持动态增添分类体系的机制来实现这一需求。本文建议采用类似"WordPress"的Taxonomy概念实现这样的动态分类体系。

2.2 标签动态分类体系的设计
#

为了提供适应这种变化需求的灵活性,可以考虑构建一张分类体系表(tag_taxonomy)、一张分类项表(tag_term)、一张分类表(tag_classification)。动态的实现分类体系的增添。如果需要实现带有层次结构的分类体系,只需要在分类项表中为每个分类项维护父条目字段即可。

举个例子,如果我们需要动态添加一个"公私"分类。首先需要在分类体系表里注册这种分类体系:“标签公私分类体系”。然后在分类项表中添加"公有"、“私有"两个分类项,并通过外键引用分类体系表中的标签公私分类体系。最后在标签分类表中,通过外键将具体的标签与分类项相关联。

2.3 内容小结
#

对于标签的内容分类:

  • 标签的固有性质适合作为标签表的字段出现
  • 标签的人为分类适合使用动态分类体系通过外键引入。

一种可行的动态分类实现Schema:WordPress Database Description

相关文章

北疆瑞士:喀纳斯徒步
·1317 字·3 分钟
没有想到,第一次户外徒步的体验竟然是在喀纳斯。
排序算法通览
·6559 字·14 分钟
排序算法是最基础、应用最广泛、也是面试最常考的算法。这里总结了经典的排序算法:选择排序,插入排序,冒泡排序,希尔排序,计数排序,快速排序,归并排序,堆排序的原理与实现。
PostgreSQL MongoFDW安装部署
·1634 字·4 分钟
PostgreSQL PG管理 扩展
最近有业务要求通过PostgreSQL FDW去访问MongoDB,但是,MongoDB FDW 编译起来真是要人命啊。
信息论基础知识:熵
·2954 字·6 分钟
《信息论基础》读书笔记:什么是 熵。熵是随机变量不确定度的度量,也是平均意义上描述随机变量所需的信息的度量。