做ref="/tag/72/" style="color:#643D3D;font-weight:bold;">网络运维久了，会发现用户行为数据里藏着不少门道。比如两个用户看起来没直接互动，但他们的“朋友圈”高度重合，这种隐性关联怎么量化？这时候就得请出Jaccard系数了。
Jaccard系数是什么？
说白了，Jaccard系数就是衡量两个集合相似度的一个指标。公式很简单：交集除以并集。放在社交网络里，就是两个人共同关注的人数，除以他们总共关注的人数。
假设有用户A和B，A关注了{张三, 李四, 王五}，B关注了{李四, 王五, 赵六}。那他俩的共同关注是2人，并集是5人，Jaccard系数就是0.4。数值越接近1，说明两人社交圈越像，可能是同事、朋友，甚至“小号互粉”。
实际场景怎么用？
运维中常遇到异常账号检测的问题。有些营销号会批量关注热门用户来刷存在感，表面看关注列表很长，但和正常用户的重合度很低。用Jaccard算一算，这类账号往往得分偏低。
反过来，如果两个账号之间的Jaccard系数长期高于0.8，哪怕没互相关注，也值得留意。比如在论坛系统里，可能是一对高频互动的“隐身CP”，或者是同一个运营团队在操控多个账号。
代码实现不难
Python几行就能搞定：
def jaccard(a, b):
set_a = set(a)
set_b = set(b)
intersection = len(set_a & set_b)
union = len(set_a | set_b)
return intersection / union if union != 0 else 0
# 示例
user_a_follows = ['zhang', 'li', 'wang']
user_b_follows = ['li', 'wang', 'zhao']
print(jaccard(user_a_follows, user_b_follows)) # 输出 0.4注意点别踩坑
这方法看着简单，但得防着数据偏差。比如一个用户只关注了1个人，另一个关注了500个，他俩只要有1个共同关注，Jaccard就是1.0，明显不合理。解决办法是加个阈值，比如要求各自关注人数都超过一定数量再计算。
另外，纯靠Jaccard还不够，最好结合登录IP、设备指纹这些信息交叉判断。毕竟运维不是做数学题，真实世界的情况总比公式复杂。