网易大数据用户画像实践

分享嘉宾：张长江 网易 大数据技术专家

编辑整理：黄乐平

出品平台：DataFunTalk

导读： 网易大数据生态数量级巨大，且产品线丰富，覆盖用户娱乐、电商、教育等领域，并且APP 活跃度高，积累了多维度的用户行为数据。通过集团数据资产构建全域用户画像，旨在服务于域内众多业务场景，同时也在探索外部商业化方案。今天借此机会，同大家分享下网易在大数据用户画像中的实战应用经验。

今天的介绍会围绕下面三点展开：

• 网易生态数据介绍
• 用户画像中心分类
• 网易用户画像实战案例

01 网易生态数据介绍

整个用户画像实践经验，都依赖于网易易数中台，所以首先给大家介绍下网易生态数据情况。

1. 网易数据总览

网易数据总览特征如下：

• 数据量超亿级，每日上亿级账号活跃，可触达同人；
• 服务场景多，生态较为复杂，覆盖多行业产品线，包括游戏、教育、电商、泛娱乐等；
• 优质用户平均标签覆盖率达70%以上；
• 提供包括但不限于参与人、流量域、位置域、关系域等主题域解决方案，即能够封装用户画像在主题域的通用化模块。

2. 网易产品线丰富

网易产品线丰富，覆盖从用户娱乐、电商购物、教育、新闻资讯等各个维度用户行为数据，APP活跃度高，涵盖用户群广。项目组整体目标是通过集团数据资产构建全域资产用户画像，已应用于网易生态圈内众多业务场景，同时探索产品化及方法论，服务于生态圈外部合作机构，进行商业化操作。

3. 全链路数据中台产品矩阵

全链路数据中台产品矩阵，包括底层日志等数据源层，数据平台加工层，整体标签的离线或实时加工、挖掘算法及监控，以及上层业务应用，如智能分析、增长运营、推荐搜索等一系列业务层应用，组成了网易数据中台产品矩阵。网易易数产品矩阵，为网易用户画像起着极为关键的支撑作用，尤其是数据标准体系、数据治理平台等模块，很好的承载着用户画像落地和质量保障。

02 用户画像中心分类

首先介绍下杭研用户画像整体数据架构及落地情况，主要分为三部分：其一为基础的用户画像，基础标签 ( 如性别、年龄 )、行为统计 ( 如活跃 )、兴趣偏好及预测等标签；其二为关系库部分，即IDMapping；其三为主题域部分，即对地域、社交、搜索关键词等相关方面的工作。

1. 网易数据架构

网易整体数据架构底层与各个业务方进行数据交换合作，共同建立公共数据中心，以数仓为蓝本进行架构。

中间层为用户画像中心：

• 用户标签的分类包括基础标签、行为标签、偏好标签以及预测标签等，不同公司分类方法略有不同，如根据更新周期，分为静态标签 ( 性别等 ) 和动态标签 ( 年龄等 )；偏好标签包括用户的长中短期偏好等，预测标签主要应用于广告投放部分，例如游戏达人，高价值用户群等。
• 关系库主要是IDMapping，目前已经有较多的方案论和解决方案，例如多账号的归一用于后续的业务数据挖掘工作，提升对用户的识别能力。典型场景为两个手机号对应只有其中一个有过注册行为信息，另一个没有注册行为信息，但对于上层而言，应该打通他们作为同一个行为主体。关系库主要包括同机网络 ( 同一设备多个ID的关系 )、同人网络 ( 同一个人多个设备信息 ) 以及社交关系 ( 人与人之间的关系 ) 等。
• 主题域主要包括地域数据、广告数据、关键词和知识库方向，其中知识库和图谱数据，主要应用于网易域内外内容知识打通。

顶层的应用场景包括增长运营、推荐搜索、广告变现、营销系统、用户反欺诈及内容运营等方面，对业务方提供全方位的服务，不局限于单一应用场景。还有数据规范和数据管理部分，作为数据标准化，沉淀经验方法论。

2. 网易用户画像构建流程

用户画像整体构建流程依托于网易易数中台，搭建起完整的业务数仓体系，融合多方业务数据源。经过多年的探索实践，已经形成完整的用户画像体系，从数据层面到产品层面，逐渐打磨，提供标签管理、监控、报表、算法、开发及权限管理，融合在各业务产品体系。诸如关系图谱形成API的接口服务输出各业务方；数据服务包括人群圈选、人群分析等运用于市场及运营团队；特征库方面描述了用户向量化的特征相比标签粒度更为细腻，适用于算法团队迭代开发。在此基础上沉淀了多种数据应用，包括增长运营、广告DMP、智能风控等方面。

3. 网易用户标签

目前整体总标签数达1000+，其中不包含单一业务行为数据。标签分类如下：

• 基础标签，即对用户的自然属性描述，例如性别、年龄、教育背景、生活习惯 ( 早起晚起 )、地理位置 ( POI信息 )、职业状况 ( 所属行业 )、经济情况 ( 有车有房 )、设备信息 ( 手机、运营商等 )、会员信息 ( 各业务方会员等级 )、衍生信息。其中衍生标签，如评估是否已婚，在原有的标签体系下没有此类标签，但可以通过对多个标签进行组合生成新的标签，包括是否有小孩、30岁满足某个条件等。
• 行为标签包括地域、广告、搜索、全域、播放、点击、评论、关注、收藏、购买等维度。
• 偏好标签包括出行购物、手机数码、家装家居、教育公益、文化娱乐、新闻资讯、金融理财、游戏竞技、动漫影视、明星艺人等维度。
• 预测标签包括利用算法等进行预测生成的标签，包括是否出行，是否买车等等。

另外，标签的枚举值也相当重要，业务分析过程中很容易出现枚举值的偏差，不符合实际业务逻辑。除此之外还包括标签间的冲突，例如年龄15岁，学历却是博士或者有小孩，策略类标签是标签领域较为有挑战性的地方。

用户标签案例：性别。主要包括三种方案，其一为标签传播，根据用户在各个业务场景，例如母婴商品点击行为标签等进行item标记，构建User-Item的兴趣网络进行Graph Embedding，最后进行分类预测用户的性别；其二为利用NLP算法对用户的昵称进行语义分析；其三为利用业务属性自行填写的内容进行判断，此处需要对数据质量进行过滤，排除诸如出生为1990-01-01的参数异常值信息。基于上述的三类算法特征结果集进行模型的融合，然后对用户的性别进行预测，同时判断该用户性别的准确率，大部分准确率在0.6+以上可以应用于实际业务场景中。当然除了常见的算法融合，还包括数据融合、特征融合等等。其中需要突破的地方包括特征的稀疏性，因为IDMapping打通后的数据覆盖率仅20%左右，这个严重影响了模型的整体效果。

4. IDMapping

IDMapping主要指用户设备的打通，用于识别用户的唯一性，现今采用的手段有两种，其一通过工程层面打通，如SDK埋点，优点是准确率较高，缺点是还会存在一人多机等现象，导致了不能够较好地完整描述一个用户画像；其二指数据层面打通，通过ID关系网，采用规则和算法结合的方法，进行同人识别，优点是很好解决一人多机现象，缺点是准确率难以评估。本次分享，主要指数据层面打通。

IDMapping整体的思路及方案，具体要结合各种账户、设备之间的关系对，以及设备使用规律等用户数据，利用规则过滤+数据挖掘算法 ( 连通图划分及社区发现 ) 判断账号是否属于同人。在IDMapping过程中，常遇到的问题及对应解决方案如下：

• 用户有多个设备信息，定义相应的阈值进行关联。当然，社区发现当前应用于营销场景，暂没有用于风控或用户运营等场景，因为会把一些异常的账号关联在一起，且会存在仅登录使用过一次的设备信息。
• 设备过期 ( 一般在2年半左右时间 )，设定衰减系数，对单用户多设备加大衰减力度。
• 当然也会存在一些异常数据信息，通过算法识别出包括但不限于以下场景，诸如借用朋友设备、设备脏数据、刷号等行为轨迹。

IDMapping的存储方式包括两个ID类型 ( 关系对 )、最近采集时间、最早采集时间、采集源数据、采集源列表、采集的频次和周期。其中共线关系的部分增加了时间衰减系数，同步递减应用于结果，同时也增加了某些参数的权重部分用于提高业务的可选性和高可性。

5. 地域主题域

地域主题域可以挖掘用户的需求信息，包括是否有车，是否经常去4S店，通过WIFI、设备等信息获取亲戚、同事等关系，通过IP可以捕获学校的学生信息，根据作息规律进行统计。当然除此之外，地域主题域还用于反欺诈领域，针对黄牛等用户群进行修改地域参数信息，规避系统检测。

6. 用户画像管理与存储

用户画像管理与存储在网易大数据经历了多次迭代，包括前期字符串的拼接、手工标签命名、明文关联维表，再到现在利用JsonArray格式进行标签类型管理，这种有个比较大的缺点，就是存在冗余严重，正在尝试新的方案设计。

7. 质量校验与保障体系

网易标签包含真实的用户数据及特征用户数据，利用无监督的算法模型预测姓名、年龄、有车、有房等，利用有监督进行提升数据质量，提升标签的整体效果。主要包括三方面的工作：

• 利用实名认证数据，作为高可信的样本集；
• 利用强特征用户数据，通过GPS\IP等用户行为数据；
• 利用外部数据，增加高置信用户数据质量。

除此之外，还包括利用一些常见的算法，例如交叉验证准确率和召回率，线上ABTest、算法离线验证、运营活动验证、真实数据验证等等方案。

质量保障标签管理方法论，包括以下四点：

• 每个标签定义第一责任人，用于快速响应业务需求，同时处理标签异常问题；
• 流程优化，标签的流程较为漫长，需要了解业务、算法、开发的全流程，利用端到端的模式，通过快速响应增加标签规范化的评审工作；
• 测试监控方面，测试在标签上线前对标签规范和质量输出测试报告，预测则是针对规范、枚举值等范围，建立监控预警机制；
• 管理平台化，则是标签生产、加工、处理、应用全流程体系化、标签化、工具产品化，不断迭代升级�