怎么用bitmap實現用戶畫像的標簽圈人功能

本篇內容介紹了“怎么用bitmap實現用戶畫像的標簽圈人功能”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

標簽有哪些類型呢？

枚舉類標簽: 描述性別，地理位置。這類標簽取值通常是可枚舉出來的。
時間類標簽: 描述業務觸達和流失時間信息。 注: 時間類標簽可存儲成數值。
數值類標簽: 比如賬戶金額，積分數量等。

所以本質上，標簽只有兩種: 離散枚舉和連續數值。

有了標簽后，如何在計算機中建模存儲呢？

最簡單最直觀的方式就是設置大寬表，即每個標簽一個字段。 通常一個小型的畫像系統，有幾百個標簽足夠。所以對于大部分場景寬表足夠簡單可依賴。

寬表一般存儲在Hive中，出于性能考慮，會存儲到Impala中。當數據量較大時，Impala也一般無法滿足查詢的性能需求。這是因為Impala沒有索引，每次查詢都是掃表。所以，為了能夠利用索引提升性能，大寬表一般會從Impala轉存到Elasticsearch中。

當一個用戶Id附著成百上千個標簽，按ES存儲方式，會相當耗費存儲資源，導入數據到ES也會成為性能瓶頸。 所以變通的方案是將所有的標簽存儲到ES的一個array字段中。但本質上，還是大寬表的方案。

大寬表的方案最大的問題: 新增標簽時間成本太大，所以畫像系統基本是T+1的實效性。 如果對響應時間沒有苛刻的要求，基于Hadoop生態的ad hoc查詢引擎構建寬表，比如Impala或presto是可以使用多張寬表來解決新曾標簽T+0生效問題，畢竟大數據系統，存儲資源還是很充足的。

可惜的是業務對系統的需求是: 更高，更快，更強，像體育運動一樣。

我們用ES存儲標簽，查詢速度快的原因是ES構建了倒排索引。我們構建標簽時，標簽數據的主體是用戶ID, 而在ES的世界，站在倒排索引的角度，標簽數據的主體是標簽，這完全是兩個對立面。

我們使用標簽圈人，本質上是集合的交并補運算。  所以，我們可以干脆再往前邁一步: 直接構建標簽-用戶ID的映射關系，而非原始的用戶ID-標簽。

這樣，整個數據結構就變成類似如下的樣式:

男: 張三，李四，王五...

由于一個標簽可以圈定上億的用戶，如何存儲這樣的結構？  RoaringBitmap 。這樣存儲后，標簽圈人就脫離了SQL和ES語法，還原到最本質的集合運算:A and B or (C and D)。

使用標簽-用戶ID這種數據建模方式，有個很大的問題: 數值類標簽的處理。比如用戶積分。 通常有一種解決方法就是分段，然而這樣做損失了數據精度。變得不靈活了。還有一種解決方法是為每個值建立一個bitmap。 這樣做一則耗費空間，二則無法很好處理區間查詢的問題。

使用標簽-用戶ID這種方式， bitmap存儲數據關系是標簽值等于XXX的用戶ID, 提取核心點bitmap存儲的是等于關系。 那么bitmap存儲大于或者小于關系也是可以的。

對于數值型標簽，我們重新定義存儲關系: bitmap(2) 表示value值大于2的所有用戶ID。 同理， bitmap(5) 表示value值大于5的所有用戶ID。這樣的話，計算value=(3,1000)之間的用戶，使用bitmap(3) andNot bitmap(999)就可以了。很好地解決了區間查詢的問題。 依然遺留了一個問題： 需要為每個值準備一個bitmap。

這個問題的解決思路很巧妙: 多個bitmap組合表示一個數值。例如200, 拆分成個位，十位，百位3個部分，每一部分用10個bitmap存儲。這樣就能夠把bitmap的數量控制在有限的數量里面。比如對于int整型，最多需要100個bitmap。

優化是沒有止盡的，我們還能走得更遠。如果數值采用二進制表示，那么每一位只需要2個bitmap, 一個Int類型最多需要64個bitmap。 采用二進制，存儲的規則可以如下設置:

bitmap(0)表示該位為0的用戶ID集合。
bitmap(1)表示該位為0或1的用戶ID集合。

由于對于二進制的某一位，取值只有0和1兩種可能，所以對于二進制，每一位只需要bitmap(0), 所以最多需要32+1=33個bitmap存儲。

綜上， 我們解決bitmap數量的問題，也解決了區間查詢的問題。但是多位二進制組合處理區間查詢，又引出了新的問題： 多個bitmap如何組合表示一個區間？

我們把問題再簡化一下，多個bitmap如何表示一個小于等于的區間。 比如i<7 如何用bitmap表示？ 再回顧bitmap的存儲規則:

bitmap(0)表示該位為0的用戶ID集合。
bitmap(1)表示該位為0或1的用戶ID集合。

我們按從右到左的順序給bitmap位取名字，下標從1開始。 例如01，有兩位，分別是b2,b1。

這樣的話: i<7 = i<0111， 用bitmap表示就是b4。 再舉幾個例子:

i<5 = i < 0101, 用bitmap表示就是 (b4 and b2) or (b4 and b3)

為了理解這個過程，我自己畫了如下的橫向樹形圖:

      1
   1
      0
0
      1
   0  
      0

來觀察這個規律，最后實現的代碼如下:

import lombok.Data;
import org.roaringbitmap.RoaringBitmap;

import java.util.*;

public class RangeBitmapDemo2 {

    @Data
    private static class QueryCond{

        private List<String> base = new ArrayList<>();

        private List<List<String>> lowerRange = new ArrayList();

        public void addBase(String val){
            this.base.add(val);
        }

        public void addLowerRange(String val){
            List<String> list = new ArrayList();
            list.addAll(base);
            list.add(val);
            this.lowerRange.add(list);
        }
    }

    public static void query(int upper, int binaryLength){
        String val =String.format("%"+binaryLength+"s", Integer.toBinaryString(upper)).replaceAll(" ","0"); //這里可以補空格
        System.out.println("query: upper is "+val);

        QueryCond cond = new QueryCond();

        char cur = val.charAt(0);

        if(cur=='0'){
            cond.addBase("b"+binaryLength);
        }

        for(int i=1;i<val.length();i++){
            cur = val.charAt(i);
            if(cur == '0'){

                int back = i-1;
                while(back>=0 && val.charAt(back)=='1'){
                    cond.addLowerRange("b"+(binaryLength-back));
                    back -=1;
                }
                cond.addBase("b"+(binaryLength-i));
            }
        }

        System.out.println("query cond: "+cond);

    }

    public static void main(String[] args) {

        for(int i=0;i<32;i++){
            query(i, 6);
        }
    }
}

打印的結果

query: upper is 000110
RangeBitmapDemo2.QueryCond(base=[b6, b5, b4, b1], lowerRange=[[b6, b5, b4, b2], [b6, b5, b4, b3]])

表示000110的組合關系為(b6 & b5 & b4 & b3 & b2 & b1)  or (b6 & b5 & b4 & b2) or (b6 & b5 & b4 & b3) 即整個結果由3個部分組合而成。

“怎么用bitmap實現用戶畫像的標簽圈人功能”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！