很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒埪?lián)系：鳥哥筆記小羽毛（ngbjxym）
這是彭文華的第153篇原創(chuàng)
網(wǎng)上 ID Mapping 的技術(shù)文章不多，我正好經(jīng)歷過傳統(tǒng)數(shù)據(jù)清洗和互聯(lián)網(wǎng) ID Mapping 兩種場景，今天就把具體方法總結(jié)分享一下。歡迎大家加我微信：shirenpengwh ，一起探討大數(shù)據(jù)相關(guān)技術(shù)。每天一篇原創(chuàng)，分享給大家，我們一起學(xué)習(xí)，共同進步。
其實技術(shù)都是為了解決實際業(yè)務(wù)問題的。如果沒有數(shù)據(jù)孤島的問題，也就不會有這波瀾壯闊的數(shù)字技術(shù)發(fā)展和改革。
在 10 多年前的時候，當(dāng)時IT界都還在做“四庫十二金”的項目。我就接了這么一個活，就是把一個地區(qū)的所有地址給弄干凈。這可就費勁了，因為同一個地址有 N 多種寫法，比如說“大褲衩”，全稱叫“中央電視臺總部大樓”，門牌號是“北京市朝陽區(qū)東三環(huán)中路32號”，也有別稱叫“中央電視臺新址”，而且還有具體經(jīng)緯度。
這么亂的情況，一不小心就給弄錯了。我們當(dāng)時接的項目就是把這亂七八糟的地址給統(tǒng)一了，給地理信息庫提供基礎(chǔ)數(shù)據(jù)。這上那弄去??？太費勁了好么！
我們當(dāng)時是怎么弄的呢？說來也很簡單，就是比對。寫規(guī)則比對，簡單規(guī)則對不上，就用復(fù)雜規(guī)則對，復(fù)雜規(guī)則還對不上，就肉眼雷達看。先對大廈、門牌號啥的做清洗，把錯別字等都清洗好。然后以相對比較精準(zhǔn)的數(shù)據(jù)源為準(zhǔn)，匹配一波，相同的先打上標(biāo)記。然后把類似的也放一邊，最后把都匹配不上的放一邊，最后把經(jīng)緯度也加上一起看。最后再人工肉眼雷達過兩遍，最后剩下的就不管了。
這太痛苦了！不過我那時候技術(shù)不行，不知道用高技術(shù)。百度這邊就用圖數(shù)據(jù)庫解決這個問題，現(xiàn)在在百度上搜索啥都給你弄出來：
在互聯(lián)網(wǎng)場景中，這種例子到處都是。數(shù)據(jù)中臺盛行之前，在 DSP （互聯(lián)網(wǎng)廣告投放平臺）中就有 ID Mapping 的應(yīng)用場景。他們必須要識別在不同端（家里電腦、公司電腦）登錄的同一個用戶。他們拿不到很多詳細的數(shù)據(jù)，只能靠瀏覽器的 Cookie 數(shù)據(jù)來識別，所以 DSP 系統(tǒng)中的 ID Mapping 是基于 cookie 來做的，同一個客戶，在不同端登錄的時候，相同的 cookie 在 DMP （數(shù)據(jù)管理平臺）識別成為同一個客戶。
但是這里還有一個問題，就是 cookie 只能隸屬于同一個域名，也就是說你訪問郵箱的 cookie ，與百度廣告聯(lián)盟的 cookie 并不是同一個，所以在網(wǎng)站和DSP之間，也要做 ID Mapping 。他們通過這么 Mapping 之后，就能知道你在那些網(wǎng)站上登錄，都看了些啥東西，然后再給你推薦相關(guān)的內(nèi)容。
這就有了你在百度上搜索了“養(yǎng)生”，到購物網(wǎng)站上就會給你推薦“枸杞”一樣。
而現(xiàn)在，由于我們的系統(tǒng)越來越復(fù)雜，對客戶的價值發(fā)現(xiàn)要求越來越高，我們在普通的場景中也有類似的需求。比如我們的交易平臺上的用戶交易信息和 ERP 中有可能只是通過訂單關(guān)聯(lián)，兩遍的系統(tǒng)中的用戶根本就是兩碼事，另外，我們 CRM 中的**又是獨立的。交易平臺、 ERP 、 CRM 中的用戶根本都是相互獨立的，我們沒法掌握與客戶接觸的全貌，也就沒法精準(zhǔn)的識別客戶的價值。
而阿里當(dāng)時遇到的情況比我們更復(fù)雜，它不僅是各個系統(tǒng)之間的數(shù)據(jù)孤島現(xiàn)象嚴重，更糟糕的是各個業(yè)務(wù)線各自一套。這可就要了命了。所以當(dāng)時阿里就利用 DSP 中的 ID Mapping 邏輯，對所有數(shù)據(jù)進行了徹底的貫通。這就是阿里數(shù)據(jù)中臺的 One ID 基礎(chǔ)。
ID Mapping 有幾個場景：1、多端數(shù)據(jù)的識別；2、多源數(shù)據(jù)的打通。這兩種情況的處理方式基本是一樣的。先舉一個例子：老王在商城PC端瀏覽商品，在手機端下單，后臺自動生成訂單，交給ERP進行后續(xù)的訂單、物流處理。后來老王有點不耐煩，給供應(yīng)鏈金融客服打電話咨詢。那么老王的數(shù)據(jù)如下：
（注：大多數(shù)情況下網(wǎng)頁端和手機端的 UUID 是一樣的，這只是一個例子，理解大意就行）
這種情況，我們用寫 SQL 的方式不是那么好使，因為關(guān)聯(lián)情況太多了。而且這是一個個例，你要讓所有數(shù)據(jù)都直接打通，這可不好弄啊。
你非要寫 SQL 也能行，但是這規(guī)則可就復(fù)雜的多了，而且對系統(tǒng)的要求也非常高。而且，你還得考慮在某端偶爾登錄一次的情況。這就更蒙圈了好么？在落地的時候你會遇到一堆的問題。
現(xiàn)在大數(shù)據(jù)環(huán)境了，技術(shù)也發(fā)展的很快，當(dāng)然不能用我之前做數(shù)據(jù)清洗的方式那么弄，寫 SQL 就顯得太傻了。之前我就介紹過，百度用的是圖數(shù)據(jù)庫的方式解決的。圖計算的邏輯就是把數(shù)據(jù)抽象成“點”和“邊”，然后用圖計算天然的“連接”特效，實現(xiàn)數(shù)據(jù)的自動識別和打通。
你看，其實我們要做的，就是把這幾個數(shù)據(jù)做一個打通，類似于這樣：
你看這個圖，既沒有方向，也可能不能形成“環(huán)”狀。這就是一個無向連通圖。這么著一連，這些信息就能對上了。
你現(xiàn)在想寫，寫 SQL 是不是非常難？但是用圖計算就非常簡單了。把數(shù)據(jù)處理成圖數(shù)據(jù)庫需要的格式，然后用圖計算就很容易得到我們要的結(jié)果。而且，我們還能對“邊”設(shè)定閾值，把用戶在打印室等臨時登錄場景給去掉，過濾噪音，是不是非常好用？
所以呢， ID Mapping 的過程基本是以下幾步：
1、各源/端的要素識別，就是能夠識別用戶信息的各個要素，原始 ID 也是有用的；
2、各自抽象和組裝成“點”和“邊”的數(shù)據(jù)集，設(shè)置邊閾值，過濾弱連接；
3、構(gòu)建一個圖模型，用連通子圖算法求得那些ID標(biāo)識屬于同一個對象；
4、得到結(jié)果集，分配一個新的 ID ；
5、去重、合并數(shù)據(jù)，生成最終結(jié)果；
6、循環(huán) 3-5 環(huán)節(jié)，同時在3環(huán)節(jié)使用已有結(jié)果集，已有 id 則沿用老 ID 。
最后，就生成一張 id 映射字典，大概的意思就是：
就這樣，孤立的系統(tǒng)數(shù)據(jù)就算是從 ID 層面打通了，我們基于這個字典我們就能做更多事情了，比如更全面的畫一個用戶畫像。
數(shù)據(jù)我們也能存好，怎么放都行，最好是扔ES等查詢速度快的數(shù)據(jù)庫里，對外提供 One ID 的查詢服務(wù)。
以上就是ID-Mapping的核心技術(shù)了。在實際落地的時候，你還會遇到各種各樣的問題，比如遇到多對多的情況怎么辦？之前缺少要素匹配不上，但是后來用戶增加了信息，又匹配上了咋辦？結(jié)果數(shù)據(jù)存成什么樣比較好用？放在那里比較好？要不要建一個DV模型方便找數(shù)據(jù)？那是工程建設(shè)中需要考慮的問題。這就得完全靠實踐出真知了。
One ID的核心價值是打通數(shù)據(jù)孤島，把不同時期孤立建設(shè)的系統(tǒng)，用統(tǒng)一的ID串聯(lián)起來。One ID功能就像是在修橋梁，把各個數(shù)據(jù)孤島貫通之后，這些孤島就連成一片。
數(shù)據(jù)孤島被打破之后，我們就能更全面、更完整的了解我們的用戶、產(chǎn)品、商家，能夠更加精準(zhǔn)的評價他們的價值，進行進一步的價值發(fā)現(xiàn)，為精細化運營夯實數(shù)據(jù)基礎(chǔ)。
One ID的核心技術(shù)是ID-Mapping，其原理是將各系統(tǒng)的關(guān)鍵要素抽象成圖計算用的“點”和“邊”，用圖計算算法很輕易的判定同一個“對象”，從而構(gòu)建一個個無向連通圖，生成ID映射字典。這個ID映射字典就是一座座通往各個數(shù)據(jù)孤島的橋梁。我們通過這些橋梁，可以把相同“對象”在不同孤島中的數(shù)據(jù)串聯(lián)起來。這樣，我們就掌控了全局，而非局部。
歡迎大家加我微信：shirenpengwh ，一起探討大數(shù)據(jù)相關(guān)技術(shù)。每天一篇原創(chuàng)，分享給大家，我們一起學(xué)習(xí)，共同進步。
配合以下文章享受更佳
下載 | 大數(shù)據(jù)職業(yè)發(fā)展體系全解
思考 | 為什么說你的運營團隊一定要有一名女生？
干貨 | 月薪3000和30000的數(shù)據(jù)分析師差在哪？
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權(quán)及免責(zé)申明》 如對文章、圖片、字體等版權(quán)有疑問，請點擊 反饋舉報
我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內(nèi)容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權(quán)，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結(jié)；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結(jié)社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權(quán)益；
11)通過網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內(nèi)容，或進行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內(nèi)容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內(nèi)容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構(gòu)或個人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風(fēng)水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導(dǎo)用戶；
2)內(nèi)容與標(biāo)題之間存在嚴重不實或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)