用户画像就是根据用户特征、业务场景和用户行为等信息，构建一个标签化的用户模型。

比如消费者用户画像分为属性和行为标签两类。这两类标签，一个是固定的，一个是可变的。

固定的属性标签基本就是买家的性别，年龄段，会员等级，消费水平，购买力等。而可变的行为标签基本包括买家的浏览，加购物车，购买等行为。

通过多年的建设，苏宁构建了完整的用户标签体系，覆盖零售、金融、体育等多个产业。

同时搭建了标签服务平台，通过开放丰富的标签数据能力，为广告、推荐等提供智能化的标签中台服务能力。

随着数据的日益增多，如何对 6 亿+用户千亿级别的标签数据进行秒级用户画像？

本文将带来用户画像技术的新发展和架构实践，介绍基于 ClickHouse 定制开发的标签平台，真正做到海量标签数据的快速导入和秒级用户画像查询分析，提供一整套从前期人群筛选到后期的营销策略优化的标签体系。

业务场景介绍

“双 11”到了，假设需要发放 1000 万张家电类优惠券，那我们首先需要根据标签筛选出符合条件的人群，人数大约为 1000 万左右，然后对选择的人群进行画像分析，看是否符合预期的特征。

如果人群符合特征，系统将一键生成进行营销的人群包（userid 列表），自动化发布和营销。

图 1：业务流程

预估人数

用户选择标签及标签之间的交并差关系，圈选出符合条件的人群，实时预估出人群的数量。

比如选择：

图 2：创建人群

上图的标签选择的含义为：“用户年龄范围为 25-36 岁”并且为“智能家居特征”的人群，排除最近 30 天消费小于 10 元的人群。

表示为集合运算的公式为：

{ {用户年龄 25-36} ∩ {智能家居人群} } - {30天消费小于10元}

技术难点有：

• 人群包的个数多。

• 每个人群包的用户基数较大。

• 系统实时输出计算结果，难度大。

画像分析

当筛选出用户数与规划的消费券的数量匹配时，需要对人群进行特征分析，看看人群是否符合特征要求。

用户画像表的结构举例如下：

将筛选出的人群包与用户画像表进行关联，详细分析关联出的画像特征。也可以进一步对画像特征进行一些历史数据分析。

我们之前的解决方案是将用户标签存储在 ElasticSearch 的大宽表中的。大宽表的结构是：一个用户下挂一堆 tag 的表结构。

在向大宽表插入数据时，需要等待业务的数据都准备好后，才能跑关联表操作，然后将关联的结果插入到 ES。

经常遇到的情况是：某个业务方的任务延迟，导致插入 ES 的关联任务无法执行，运营人员无法及时使用最新的画像数据。

在 ES 中修改文档结构是比较重的操作，修改或者删除标签比较耗时，ES 的多维聚合性能比较差，ES 的 DSL 语法对研发人员不太友好，所以我们将标签存储引擎从 ES 替换为 ClickHouse。

ClickHouse 是近年来备受关注的开源列式数据库，主要用于数据分析（OLAP）领域。凭借优异的查询性能，受到业界的青睐，各个大厂纷纷跟进大规模使用它。

苏宁大数据已将 ClickHouse 引入并改造，封装成丰富的 Bitmap 接口，用来支撑标签平台的存储及分析。

ClickHouse 集成 Bitmap

我们在 ClickHouse 中集成了 RoaringBitmap，实现了 Bitmap 计算功能集，并贡献给开源社区。

对 userid 进行位图方式的压缩存储，将人群包的交并差计算交给高效率的位图函数，这样既省空间又可以提高查询速度。

图 3：ClickHouse 集成 Bitmap

围绕 Bitmap 对象实现了一套完善的计算函数。Bitmap 对象有两种构建方式，一种是从聚合函数 groupBitmap 构建，另一种是从 Array 对象构建，也可以将 Bitmap 对象转换为 Array 对象。

ClickHouse 的 Array 类型有大量的函数集，这样可以更加方便的加工数据。

上图的中间部分是 Bitmap 的计算函数集，有位运算函数、聚合运算函数、求值类运算函数，比较丰富。

基于 ClickHouse 的新架构

架构介绍

架构图如下：

图 4：标签架构

ClickHouse Manager 是我们自研的 ClickHouse 管理平台，负责集群管理、元数据管理和节点负载协调。

Spark 任务负责标签数据的生成和导入，当某个业务方的任务跑完后，会立刻调用 tag-generate 生成标签数据文件，存放到 HDFS，然后在 ClickHouse 上执行从 HDFS 导入到 ClickHouse 的 SQL 语句，这样就完成了标签的生产工作。

标签生产是并发跑的，假设某个业务方的数据没有准备好，不影响其他业务的标签生产。

用户画像平台通过 Proxy 从 ClickHouse 集群查询标签数据。在查询前，需要将查询表达式转换为 SQL，我们对这块逻辑做了一个封装，提供一个通用的转换模块，叫做：to-ch-sql。

业务层基本上不用修改就可以查询 ClickHouse 了。

标签数据表的基本结构

相对于 ElasticSearch 的存储结构，我们将标签存储做了一个行转列存储。每个标签对应一个 Bitmap 对象。

Bitmap 对象中存储 userid 集合：

CREATE TABLE ch_label_string( labelname String,   --标签名称 labelvalue String,  --标签值 uv AggregateFunction( groupBitmap, UInt64 )  --userid集合)ENGINE = AggregatingMergeTree()PARTITION BY labelnameORDER BY (labelname, labelvalue)SETTINGS index_granularity = 128;

uv 字段为 Bitmap 类型的字段，将整形的 userid 存入，每个 userid 用一个 bit 位表示。

主键索引（index_granularity）默认为 8192，修改为 128 或者其他数值，由于 Bitmap 占用的存储空间比较大，修改为小数值，以减少稀疏索引的读放大问题。

根据标签值的数据类型划分为四种类型的表：

• String

• Integer

• Double

• Date

标签名称作为 Partition。通过这样的设计，增加或者删除标签数据都比较方便，只需要修改 Partition 的数据就可以了。Partition 的管理有相应的 SQL 语句，操作比较方便。

Userid 分片存储

在标签数据导入时，按照 userid 分片导入，每台机器仅存储对应 userid 的标签数据。

每台机器分别导入分片后的标签数据，实现了数据并行导入。在我们的环境上单机导入性能在 150 万条/秒左右。

在根据标签筛选人群时，SQL 仅需要在单个 shard 上执行，中间结果不需要返回给查询节点。

在执行“预估人数”计算时，优势特别明显：每个 shard 仅需要返回符合条件的人数，在查询节点做 sum 操作，然后将 sum 结果返回给客户端。充分挖掘了 ClickHouse 分布式并行计算的能力。

查询流程

采用 with 语句进行计算出人群包的 Bitmap 对象，然后用 Bitmap 函数进行交并差的计算。

当需要计算的标签比较多时，标签查询的 SQL 比较复杂，将标签查询 SQL 包装到分布式代理表的 SQL 中，分布式代理表本身不存储数据，通过代理表标识到哪些节点上查询，分布式代理表所标识的节点上执行标签查询 SQL。

然后在分布式代理表上汇总查询结果。通过 ClickHouse 分布式表的自身特性，实现了标签查询的 colocate 机制。

图 5：查询流程

示例 SQL 如下：

-- 本地查询代理CREATE TABLE ch_agent_user(    agentname String)ENGINE = MergeTree()PARTITION BY agentnameORDER BY (agentname)SETTINGS index_granularity = 8192;-- 分布式代理表CREATE TABLE ch_agent_dist_user AS ch_agent_userENGINE = Distributed('cluster_test', 'test', 'ch_agent_user', cityHash64(agentname))-- 查询用户数SELECT sum(user_number) AS user_numberFROM ch_agent_dist_userRIGHT JOIN (    WITH         (            SELECT groupBitmapState(userid) AS users0            FROM ch_label_string            WHERE labelname = 'T'        ) AS users0    SELECT         'agent' AS agentname,         bitmapCardinality(users0) AS user_number) USING (agentname) settings enable_scalar_subquery_optimization = 0;

ch_agent_user 表本身不存储数据，当与 with 语句进行 right join 关联查询时，由于是右关联查询，查询结果以 with 语句的结果集为准。

各个节点的查询结果返回给查询节点，查询节点进行汇总计算。参数 enable_scalar_subquery_optimization = 0 表示 with 语句的查询结果不做优化，每个节点都需要执行。

默认情况，在 ClickHouse 中 with 语句的结果作为标量进行缓存，会将查询节点的标量分发到其他服务器，当发现已经存在标量时，就不会在本地节点执行 with 语句。

我们期望 with 语句在每个节点都执行，所以将这个参数设置为 0。

用户画像

用户画像对性能要求比较高，查询平均响应时间不能大于 5 秒。用户在界面上任意圈选人群，然后实时对圈选后的人群进行画像分析。

用户画像技术进行了三次架构重构：

①V1：大宽表模式

最早的方案是创建一张 userid 为主键的画像表，表的其他字段为画像的特征字段，将圈选的人群与画像表进行 in 操作，然后 group by 操作。

这种设计带来两个比较严重的问题：

• 当增加或者删除特征字段时，画像表的表结构需要修改。

• 当圈选的人群数量比较大时，涉及到大记录集的 group by 运算，性能差。

②V2：Bitmap 模式

将一个特征值下的 userid 集合做为 Bitmap 对象存储到一条记录中，一条记录的内容如下：

用户圈选的人群 Bitmap 对象与画像表的 Bitmap 对象进行与（AND）操作，返回圈选人群的画像信息。

通过这样设计，基本上满足了性能要求，平均时间小于 5 秒，但是一些大的人群包，画像的性能还是差，在 10 秒左右。

画像表的记录数据量不大，但画像表的 Bitmap 字段在计算时需要从磁盘上反序列化出来。有的 Bitmap 对象占用几百兆的空间，导致了性能的下降。

③V3：Join 表引擎模式

ClickHouse 的 Join 表引擎可以将数据常驻到内存。当插入数据时，数据先写入内存，然后刷到磁盘文件，系统重启时，自动把数据加载回内存。Join 表引擎可以说是常驻内存的带持久化功能的表。

我们把画像表的数据保存到 Join 表引擎，画像表的 Bitmap 字段就常驻内存了，当圈选的人群 Bitmap 对象进行与（AND）操作时，两个内存中已经加载的 Bitmap 对象之间的计算就非常快。

通过这次优化平均查询时间优化到 1 到 2 秒，千万级人群画像分析不超过 5 秒。

总结

通过 ClickHouse 集成 Bitmap 功能，以及 Join 表引擎的应用，对架构进行了一系列优化后，极大的提升了标签平台的数据分析能力。

新的架构主要有以下优势：

• 标签数据可以并行构建，加快标签数据生产速度。

• HDFS 文件并发导入 ClickHouse，加快标签数据的就绪速度。

• 查询请求平均响应时长在 2 秒以下，复杂查询在 5 秒以下。

• 支持标签数据准实时更新。

• 标签表达式和查询 SQL 对用户来说比较友好，提升系统的易维护性。

• 相对于 ElasticSearch 的配置，可以节约一半硬件资源。

未来规划：

• 目前 ClickHouse 采用 RoaringBitmap 的 32 位版本，准备增加 64 位版本。

• ClickHouse 查询的并发性较低，增加更加智能的 Cache 层。

• 支持 ClickHouse 数据文件离线生成，进一步提示标签的就绪速度。

参考：

• ClickHouse 官网：https://clickhouse.tech/

• ClickHouse 中文社区：http://www.clickhouse.com.cn/

• Bitmap PR：https://github.com/ClickHouse/ClickHouse/pull/4207

Java与大数据架构

7年老码农，10W+关注者。【Java与大数据架构】全面分享Java编程、Spark、Flink、Kafka、Elasticsearch、数据湖等干货。欢迎扫码关注！