我有一个用户从网站购买产品的数据集。
我拥有的属性是用户 id、用户的地区（状态）、产品的类别 id、产品的关键字 id、网站的关键字 id 和产品的销售额。
目标是使用产品和网站的信息来识别用户是谁，例如“男性年轻游戏玩家”或“呆在家里的妈妈”。
我附上了一张示例图片，如下所示：
产品共有 1940 个唯一类别和 13845 个唯一关键字。对于该网站，有 13063 个唯一关键字。整个数据集非常庞大，因为这是每日的日志记录数据。
我正在考虑聚类，因为它们是无监督的，但那些 id 是没有数字含义的有序数字。然后我不知道如何应用该算法。我也在考虑分类。如果我根据购买的产品的销售额添加一列类。我认为集群更受欢迎。我不知道在这种情况下我应该使用什么算法，因为关键字 id 的维度可能超过 10000（每个产品可能有很多关键字，网站也是如此）。我需要为这个项目使用 Spark。
任何人都可以帮助我提出一些想法或建议吗？
太感谢了！
现在，我只有时间做一个非常简短的回答，但我稍后会尝试扩展它。
您要做的是聚类，因为您想为数据发现一些标签。（与分类相反，您可以为至少一些数据添加标签，而您希望为其余数据添加标签）。
为了对您的用户进行聚类，您需要将它们作为抽象空间中的某种点。然后您将测量点之间的距离，并说“接近”的点是“相似的”，并根据它们在该空间中的位置标记它们。
您需要将您的数据转换为类似于用户配置文件的内容，即：用户 ID，后跟代表该用户特征的数字向量。在您的情况下，每个功能都可以是“网站类别”或“产品类别”，数字可能是在该功能上花费的美元金额。当然，功能也可以是网络和产品的组合。
例如，让我们想象一下只有三个特征的用户配置文件：
为了构建这些配置文件，您需要将您拥有的过于丰富的“类别”和“关键字”映射到您认为相关的功能中。研究主题建模或语义相似性来做到这一点。一旦该地图构建完成，它会声明所有花费在关键字“gadget”、“electronics”、“programming”和 X 其他网站上的钱都应该汇总到我们的第一个功能中；等等。
不要害怕“强加”这些功能！一旦您对用户进行了聚类，您将需要对其进行细化并可能完全更改它们。
一旦你有了用户资料，就可以继续使用k-means或任何你认为有趣的东西对它们进行聚类。无论您使用什么技术，您都会对获得每个集群的“代表”点感兴趣。这通常是该集群中点的几何“中心”。
绘制那些“代表性”点，并绘制它们与其他集群的比较。在这里使用雷达图非常有用。只要有显着特征（代表中非常显着的东西，并且在与其他集群相比也非常突出），都是一个很好的候选者，可以帮助您用一些吸引人的短语（“nerds”，“fashionistas”）来标记集群，“好斗的妈妈”...）。
请记住，聚类问题是一个开放问题，因此没有“正确”的解决方案！而且我认为我的答案已经很长了；还要检查配置文件的规范化和过滤异常值。
对于定位和探索，我可以推荐WeKa，这是一个非常好的机器学习工具包。它确实需要某种输入格式 (.ARFF)，因此您可能还需要查看它。
至于关键字困境，我建议执行一些特征选择，以消除冗余或非指示性关键字。