聚类、推荐与异常检测：没有统一标签时怎么办

无监督也必须有清楚用途

积木体验站想把任务归组，方便初学者挑选风格相近的活动。聚类按照特征相似性把记录分成若干组，训练时不必提供每条应属于哪组的标准标签。可以使用积木数量、步骤数量和需要支撑的高度等任务属性。但算法输出组号只是计算结果，不自动等于容易、困难或适合初学者。使用者还要查看每组代表任务、范围与稳定性，判断分组是否帮助选题。没有监督标签并不等于结果无法检查，也不意味着算法发现了自然存在的唯一分类。

距离与组数会改变聚类

常见的均值聚类方法先设组数，再把任务分给较近的中心并更新中心，反复执行。本例把八块两步骤、十块两步骤分一组，把二十块六步骤、二十二块七步骤分另一组，直觉上形成小任务与大任务两群。若积木数尺度远大于步骤数，距离可能主要由积木数决定，所以应考虑缩放与特征选择。设两组与三组可能得到不同结构，某些形状不适合用围绕中心的方式描述。聚类不应只报告漂亮组名，应检查换一批数据是否仍类似。

推荐需要定义推荐给谁以及为什么

基于内容的推荐比较任务本身属性，例如给喜欢桥梁结构的虚构角色推荐相近支撑设计。协同过滤利用多个角色与任务的互动模式，例如喜欢相似任务的角色也可能喜欢彼此尚未尝试的任务。前者依赖属性描述质量，后者依赖足够互动，且新角色或新任务缺少记录时容易发生冷启动。最热门列表是有用基线，但可能让冷门任务一直缺少曝光。推荐不仅看点击或选择，还应考虑是否完成、是否有多样性以及使用目标，不能把受欢迎自动等同最适合。

异常分数不是错误或违规证明

异常检测寻找与常见模式明显不同的记录。积木任务通常六到十二分钟，一条八十分钟可能获得高异常分数，但它可能是暂停未扣除，也可能是真实复杂尝试。异常检测应触发核实，而不是直接删除或处罚。异常较少时，即便误报率不高，也可能产生大量需要检查的正常记录，因此要根据复核能力设阈值。还需考虑分组：困难任务用时较长本来合理，若与容易任务混在一起，模型会误把正常困难表现标成异常。

把无标签任务接回可验证流程

聚类可以检查组内相似度、组间差异、稳定性及人工解释；推荐可以保留独立互动记录，比较推荐列表能否命中合适任务并关注冷启动组；异常检测可以人工审核高分样本，统计误报和漏报的可见情况。仅靠内部指标可能与实际目标不一致，需要小范围试用和反馈。使用虚构角色练习时，不收集真实个人画像，也不把异常描述成个人能力问题。这三类方法扩展了机器学习的工具箱，但它们都需要明确输入、输出、评估与人工边界。