谈到用户画像，大体可以用俩个词概述"persona" 和 "profile"。两者区别在于使用者的差异。Persona 也叫做用户角色，是描绘抽象一个自然人的属性，主要是讨论产品、需求、场景、用户体验的时候使用。Profile 是和数据挖掘、大数据息息相关的应用，通过数据建立描绘用户的标签，主要是运营和数据分析师使用。本文重点讲述 profile 的构建

之家从 16 年开始构建自己的用户画像至今已有 5 年时间，期间有过多种尝试。整体的用户画像逻辑架构如图所示。

用户画像逻辑架构

主要从用户识别、标签体系、画像构建、画像存储、画像质量五个方面来进行介绍

一、用户识别

在 PC 为主流触点的阶段，企业期望存在上帝视角，能了解用户的在网络上的完整旅程，但由于弱账号体系的弊端无法实现，逐步推进了 idmapping 技术的发展。之家在这个过程中的的技术演变紧随行业发展，由最大联通子图生成 uuid 到 强关系 + 独立账号。

id-mapping 期望的上帝视角

上帝视角观看用户轨迹

第一阶段，id-mapping 为账号之间的联通子图(v1.0)。具体实现方案为迭代染色算法（分布式并查集）实现。

该方案存在两个问题，其一，打通率比较低，由于需要关系在数据中得到体现(如用户登录 userid 与 cookie 之间的关系)；其二，存在多人共用电脑导致关系的错连。但对于无法打通的用户行为，这种实现方式可以基本的满足企业的业务需求。

随着移动互联的大热，app 端的在业务中的占比越来越重，上述问题越来越凸显，由于错连多连导致用户画像标签比较难以解释，经常出现“我没看过这个车系，为什么我有这个车系兴趣”等等，对画像的应用推进与推荐系统的解释造成了很多困扰。

用户连线 1.0

第二阶段，id-mapping 为强关系 + 独立账号 (v2.0)，也是现在之家用户画像构建时采用的用户识别。强关系是指用户账号存在主次，用户的打通以 userid 和 phone 分别做为主账号，pc-cookie、m-cookie、deviceid 作为附属账号，通过账号一度关系进行打通，保证“用户”的准确性。独立账号是指在用户画像构建中对于 pc-cookie、m-cookie、deviceid、userid、phone 都作为独立用户分别构建自己的画像标签。两者相结合塑造完整的互联网人。

二、标签体系

用户画像的构建过程比较乏味，标签体系是从乏味的标签中抽象出的一个逻辑架构体系。简单说就是把用户标签分列到不同的类里面，这些类都是什么（标签如性别），彼此之间有何联系，就构成了标签体系。标签体系的构建大同小异，基本包括人口属性、网络属性、地理位置、兴趣偏好、商业（金融属性）、业务属性。

用户标签体系的构建过程可以分为两个阶段，规划驱动阶段与需求驱动阶段。

在规划驱动阶段，构建企业通用的标签逻辑架构，业务部门共用的基准版本用户画像。在之家的构建过程基准本的体系如下：

之家通用标签体系

随着画像的应用，通用版本已经无法满足日益多变的场景需求， 如嘿 car、小程序、青少年频道、用户增长运营、金融触达、智能推荐等等，场景需要下钻，需要精细化的用户分类颗粒，逐步转化为需求驱动阶段。在该阶段标签构建的差异越来越大，维度也越来越细，构建成千上万的标签。

三、标签构建

1、从构建思路上可以分为：统计类、兴趣类、模型类

a、统计类标签，业务规则，将业务问题转化为数据口径实现

如下收藏列表、搜索关键词、保险到期时间、是否下过线索、30 天内访问 xx 次数等等

b、兴趣类标签，基于兴趣迁移模型构建用户标签。综合考虑特征、特征权重、距今时间、行为次数等因素，用户兴趣标签的构建公式如下：

用户兴趣标签 = 行为类型权重 * 时间衰减 * 行为次数

特征：需要结合业务选择，如浏览、搜索、线索、对比、互动、点击、有车等行为。

权重：用户在平台上发生的行为具体到用户标签层面有着不同的行为权重，一般而言，行为发生的成本越高权重越大。可以由业务人员确定也可以采用 TF-idf 的技术分析得出。

时间衰减：用户行为受时间的影响不断减弱，距离现在越远，对用户兴趣的影响越低，这里采用牛顿冷却定律的思想拟合衰减系数，衰减周期结合业务制定

行为次数：在固定时间周期内行为发生的次数越多兴趣倾向越重

另外，用户兴趣权重是表示用户在某一分类（标签）下的兴趣差异并不能作为两个用户兴趣度的比较。所以用户的兴趣标签计算可以采用增量叠加的方式更新。之家兴趣类标签的计算采用自然天增量更新的方式进行落地实现。

活跃天增量更新兴趣标签

c、模型类标签

基于机器学习方法进行数据建模预测用户的标签。整体上这类标签在标签体系中的占比较少。

是否有车基于 RF+LR 模型实现

常驻地 基于 GPS 聚类获取这里采用 DBSCAN

购车转化 GBDT

用户分群 KMENAS 聚类产生

从数据时效上可以分为离线画像与实时画像，离线与实时采用的构建思想相同，区别在于离线画像描述的使用户长期的习惯，实时画像描述的是用户的当下兴趣，需要结合场景根据批量处理与流式处理的差异做相应调整。

四、画像存储

用户画像数据的存储一般可以分为三类：关系型数据库、NoSQL 数据库和数据仓库。在大数据基础上，之家用户画像的存储使用 hive、hbase、ES、Codis 相结合的方式。不管哪种形式的存储，都遵循本体表示法，以本体模型存储用户的属性和关系。

1、hive 存储

使用 hive 构建画像集市，解耦标签之间关系，数据组织形式简单，简化操作 mr 计算框架的方式是的便于数据分析人员分析，组织形式为多张 hive 表存储，每张表中存储部分标签信息。

2、hbase 和 codis

作用相似，都是将分散的标签数据 merge 成一个完整的用户肖像，对外提供基于用户 id 的快速查询。

用户肖像

3、Elasticsearch

同样是将片面的标签信息，刻画出用户肖像，区别在于上层业务场景，主要用于人群圈定，洞察分析、用户触达等

五、画像评测

现代管理学之父彼得·德鲁克说：一个事物，如果你不能衡量它的话，那么你就不能增长它。如果期望构建高质量的用户画像，那就需要建立画像的监控评测体系。首先，业务场景的 AB 实验是最能体现价值的方式也是在推荐、广告领域应用最广的验证策略。除此之外时效性、覆盖率、准确性也是用户画像重点关注维度。

时效性：对于群体分析，画像的时效并不是特别突出的问题，但对智能推荐、用户转化等场景，对于近期或当下兴趣有着非常高的要求，区分标签场景我们制定并推动了 sla 目标和实时构建

覆盖率：在投放用户触达、营销场景下，标签的覆盖率问题比较突出。但是标签覆盖率的提升有时会牺牲准确性，具体的方案需要结合企业自身的业务需求综合考虑。

准确性：不同类型的标签评估方式不同，统计类标签验证正确性，兴趣类标签验证合理性，模型算法关注 auc、F1 等指标。其中兴趣偏好标签的合理性验证多为定期抽测，以用户短期行为核验标签结果，相近标签相互印证，公共常识验证人群分布。多角度印证能够整体提升画像标签的质量，提升业务使用画像标签的信心。

另外，探索中的验证方案，对与兴趣标签构建负向兴趣成对出现，验证用户正向兴趣与负向兴趣的差异最大化。