《号店架构师王富平：一号店用户画像系统实践》由会员分享，可在线阅读，更多相关《号店架构师王富平：一号店用户画像系统实践（17页珍藏版）》请在金锄头文库上搜索。
1、号店架构师王富平：一号店用户画像系统实践 作者： 日期：我先引用梵高的一句话：“我想强调的是，同一个人有多样的自画像。与其追求照相般的相似性，不如深入地发掘相似处”。下图是是当时梵高比较得意时的画像，戴了礼帽，穿了西服，但那时耳朵已经割掉了。我觉得作为一个好的架构师，要有艺术家的精神。时至今日架构发生了很多变化，新语言在不断出现，我觉得没必要把思维停留在某一个方面。用户画像的定义用户画像定义使用标签来量化用户特性属性，达到描述用户的目的。用户画像的难点就是数据源，因为你拿要拿到足够多足够全的数据很不容易，所以要与业务结合，比如说这个人在30天内购买了你的商品，这就是一个标签，但是如果你不参与开
2、发这个系统，你不会想到有这个标签。然后是动态更新，一个人是不断变化的，就像梵高一样，他不同时期的自画像也是不一样的。假设现有用户画像有姓名、地域两个属性，你将如何使用？最简单的分析不同性别的群体特征，做特定营销。分析广州、北京、客户的群体特征，分析90后、80后的群体特征。其实这里面有共同点，就是说分类和聚类。京东也好、淘宝也好、一号店也好，我不可能真的每一个用户生成一套推荐方案，我们都是把人分成了一万个类，或者一千个类，我们把你划分到某一个类别里面，在那个类别里面做一个推荐。而且群体特征往往更能反映你的个人喜好，就是说其实人与人之间是有共同点的，也是有异同点的。分类聚类迈出个性化的第一步，用
3、户画像的应用开始1号店建立用户画像的初中是来自于千人千面项目，简而言之：分析不同群体特征，针对群体进行推荐调整，典型的群体有小区、学校公司等。下图是2015年9月份转化率的数据。我们覆盖面也比较大，目前差不多355家公司，591个行业，覆盖293个城市的4.26万个小区。1号店从零开始打造了自己的用户画像系统，包含了用户标签画像、用户偏好画像。经历了全量版画像、Storm版实时画像、电商用户标签画像等演进和完善的过程。在两年的时间里，遇到了性能瓶颈、数据质量评估、用户标签的膨胀、画像在精准化营销等应用场景的摸索，一步步成长，在推荐系统发挥了巨大作用。用户标签画像我们的用户标签包含基本特征、社会
4、身份、顾客用户生命周期、类目偏好等等。比如说你怎么判断一个人是不是对女装感兴趣，假设我们有一个类目就是女装，那很好办，如果你购买都是女装，那会认为你这个人对女装比较感兴趣。如下图所示。挑战我们期间遇到了两方面的挑战：1.亿级画像系统实践和应用2.3.记录和存储亿级用户的画像，支持和扩展不断增加的维度和偏好，毫秒级的更新，支撑个公司性化推荐、广告投放和精细化营销等产品4.怎么做到的1.用户画像算法模型不断优化2.3.引入Storm等实时技术4.5.主题推荐标签、用户命名实体等新增标签补充进画像6.7.HBase的离线和在线分离、Hbase的KV读和Solr的批量读分离、region热点监控和切分
5、8.9.数据流不断优化10.11.数据存储改进12.第一版画像现状偏好系统包括类目偏好和导购属性偏好两个部分，第一版的偏好系统接口调用数每天达千万次，主要服务于推荐栏位和EMD，但改变的偏好系统存在性能低下，偏好得分分布不合理等问题：1.运行一次全量的数据更新太慢2.3.用户的偏好得分数据分布不合理，得分呈多波峰分布，且在6.0、8.0区间的得分数目几乎为04.5.用户强偏好和弱偏好的阈值界限未有明显规定6.7.用户未产生新的行为，兴趣偏好分值将不会发生变化（未按时间进行衰减）8.新版画像系统流程这个很简单，就是大家都能想到的离线和在线，离线要基于用户的行为，产品的信息进行打分，要得到一个个人
6、的偏好，前端提供一个接，基本上是这样子。画像模型优化1关于算法模型做了一些优化，第一个优化就是得分，通过操作得分使它的偏好更有区分性，历史行为应有衰减。你这个得分假设永远是叠加的，这也是有问题的，因为你一个月之前或者一年之前所有的行为，如果现在还影响着你的得分，会有不准确性，所以会有一个历史的衰减得分。偏好得分分布应与用户对类目的权重分布一致，关键是对数据的处理，还有怎么样去调整你的模型。偏好画像的得分应满足三个条件： 用户在此类目或导购属性上的操作越多，得分越高 用户对类目或导购属性的喜好程度不同，可以通过偏好得分区间体现 用户的历史行为应有衰减对于类目偏好，需先将用户对类目偏好离散化提高某
7、些场景性能，最简单的行为可划分为两档【喜欢|一般】。参数调整原则： 衰减系数的设置满足两个月衰减一半（结合用户在不同类目下的购买周期，见下页） 各类行为权重之间的比例设置等同于用户各种行为数目的比例 偏好得分分布应与用户对类目的权重分布一致画像模型优化2然后有一个购买周期的问题，就是说不同的东西会有一个购买周期的，比如说牙膏多久前买的，牛奶多久前买的，这些东西的周期性是比较强的。后面会有一个实时推荐，根据用户的行为进行算分，根据各个类目的偏好进行一个实时推荐。主题标签，比如说吃货，比如说爱吃零食的女性，算是吃货范围。还有数码极客，就是通过主题划分人。具体的方法我就不多讲，就是通过你购买的东西进
8、行分类。下图是用户不同类目的购买周期。主题推荐标签主题和标签的映射关系如下：使用标签表中的关键词列表，结合商品的评论、标题数据给商品打标签。商品打标签公式为：用户打标签公式为：HBase的离线和在线分离讲一下HBase，我们拿了很多开源的东西。我想问一下CAP大家都了解吧，一个数据库你只能获取两个特性。这边我们采用了离线和在线的方式，把可用性提上去。如下图所示。Solr解决批处理选人我们还有一个选人机制，就是用户画像的另一个场景，既然你有用户的各种信息了，那么对于其他业务，比如说广告业务，比如说促销业务他们提供了一个需求，就是选人，是基于Solr做的一个选人中心。如下图所示。调优相关表，提高读
9、写性能根据画像表每一台机器的热点，迁移或者切分。数据流优化guid和userid的对应关系中，滤掉公用电脑和黄牛账户（全国有20万左右人从事刷单产业链）。为了进一步提高离线部分的计算速度，牺牲算法精确性，用户的行为权重计算亦可以增量计算设Wh为用户对某个类目的历史行为权重，Wc为用户最新一天的行为权重，则总的行为权重Wt = Wh + Wc, 01如果采用上述方法，则不必遍历用户的所有的行为数据，每次更新时，只需遍历一天的数据即可。优化数据存储用户行为和行为统计表HBase替换为Hive，最后的画像表保留为HBase；考虑到类目偏好使用比较频繁，而导购属性偏好数据量远大于类目偏好，解耦来将两者
10、分开存储；类目偏好离线数据结构-Hive全量数据过滤全量数据过滤，就是类目偏好离线的全量数据进行过滤之后，导入在线部分，主要优化就是刚才讲的模型优化。过滤原则: 每个用户的偏好类目数量小于一个固定值 用户偏好得分大于下限，该下限可假设用户当天在某个类目只有一个加车行为，然后带入模型反推出来导购属性偏好离线的全量数据进行过滤之后，导入在线部分。过滤原则: 属性偏好大于一个固定的下限 属性值的数量小于一个上限 属性值偏好大于一个固定下限主要优化和改进点主要优化和改进如下图所示。 长期兴趣和短期偏好解耦 类目和属性不同画像偏好解耦尝试与未来我们曾经想做实时画像，实时的达到导到实时里面，但是现在我们并
11、不是做实时画像，我们做的是实时推荐，为什么不做呢？因为这些算法不太好算，比如说算一个衰减周期，你要根据30天的编号算一个你当前类目的变化，你要拿30天的数据，这样的算法压力就很重。未来想做就是使用HBase镜像双集群，Apache Lgnite+HBase。我们也做了一些有趣的东西，就是一些排行榜，对某些大学做一些排行榜的排名，实际上根据大学的特定群体我们已经做了推荐，这个东西其实还蛮好玩的。一些启示1.提炼出该案例（或项目）的哲理、方法论。2.3.算法准确度、数据规模、更新速度相互制衡，提高某些指标，必须牺牲其他指标。4.5.一个系统遇到性能瓶颈的时候，跳出系统本身，了解业务，根据业务解耦，以满足不同场景。6.7.数据流各个环节都可能出错，自动化检查各个节点的中间数据，考虑降级和延迟环境。8.9.系统的演进是个长期的过程，系统的分分合合和业务量有关，防止过度架构浪费资源。10.11.不同版本开发的时候，适度换些开发者，融入新的思路，避免思维定式。12.13.标签体系的管理规范比技术本身更重要，否则大部分标签会沉睡，后面基本用不到。14.15.数据驱动，通过观察和研究数据，对数据有一定的敏感度，产生新的用户画像数据。16.
