導讀:
本次分享題目為基於Doris的知乎DMP系統架構與實踐,由知乎使用者理解&資料賦能研發Leader 侯容老師帶來經驗分享,主要圍繞四個方面展開介紹:
背景:知乎DMP的業務背景、流程、特徵及功能介紹
架構與實現:知乎DMP的架構設計和實現
難點及解決方案:知乎DMP平臺建設的難點和解決方案
未來展望:知乎DMP平臺下一步迭代方向
01
背景
DMP本身是個老生常談的業務領域,在廣告系統出現的時候就有了類似DMP平臺的系統。業界做得比較好的有騰訊廣點通、阿里達摩盤。
知乎搭建DMP的原因可簡單概括為
:知乎存在大量站內運營的業務需要,搭建DMP平臺需要支援同知乎內部系統的對接,搭建DMP存在一定量的知乎定製化需求,需要適配知乎的內部運營流程。
1. DMP業務背景
首先,丟擲問題:知乎業務中具體存在哪些問題需要解決?為什麼要建立DMP平臺來解決這些問題?
下面圍繞
業務模式
、
業務場景
、
業務需求
等三個主要方面,來具體說明建設DMP平臺的必要性和功能定位。
(1)業務模式
如何找出核心客戶,圍繞某個客戶應該如何運營、如何適配營銷操作、以及廣告投放,如何進行人和業務的匹配,都需要完成對人的定向、對人的畫像洞察,以及對人的理解和運營操作,這些都是DMP的主要業務定位。
知乎DMP主要包括三種業務模式:
站外轉站內
,典型的場景是,在廣告側有廣告主在知乎平臺投放廣告,觸發站外人群,如何透過一個Mapping將站外人群承接到站內,且在站內的各個系統上能夠承接這些使用者包。
站內轉站外
,典型的場景是,增長投放方面,如何在知乎平臺找到一個定向價值使用者群,再針對這些使用者包到三方平臺進行廣告投放。
站內自閉環
,主要是知乎內部運營,包括內容運營、使用者運營、活動運營等,一方面增加內容宣傳和營銷;一方面完成客戶的定位及客群分析,解決一些客戶問題;策劃一些活動,促成客戶價值提升和針對營銷效果達成。
(2)業務場景
針對上述三種業務模式,知乎DMP適配了多種業務場景:
資訊流
,比如推薦場景,有一些定向推薦、定向提權等訴求,把某些內容推給誰,某些內容針對特定客戶進行定向提權,去重新打分等。
廣告
,比如實時競價,基於一個客戶身上掛的廣告特徵,進行實時競價,排序篩選最合適的廣告推送。
詳情頁
,比如彈窗提示,當用戶進入詳情頁,根據觸發的規則條件情況,進行相關的訪問引導。
活動平臺
,比如目標使用者,對該活動是否可見?哪些活動可見?等進行管理適配。
觸達系統
,比如推送、訊息、彈窗、簡訊等,針對具體的客群進行Push、站內信等觸達。
站外投放
,比如站外廣告,面向特定的人群,進行站外廣告觸達。
(3)業務需求
基於三種業務模式、六種業務場景的拆解分析,提煉出
人群管理的功能需求
主要包括:
人群對接
,主要是對接系統,無論是站外系統還是站內系統,基礎需求是使用者命中了哪些人群包——以廣告系統為例,人群包的ID可以Mapping為一則廣告,即一個使用者身上可以掛哪些廣告;其次是人群包(內部),把人群推薦給誰,或者把哪些內容推送給該人群;最後是人群包(外部),主要圍繞外部廣告投放場景,提供人群包服務。後兩種主要在內部統一ID和外部多平臺ID等管理存在差異。
人群定向
,主要包括匯入、匯出、標籤圈選、人群泛化、人群使用者量預估等基礎功能。
人群洞察
,包括人群包內部畫像洞察、不同人群包之間的差異對比分析等。
2. DMP業務流程
基於知乎DMP業務模式提煉、業務場景刻畫、業務需求澄清等背景梳理,結合站內系統、站外系統互動協同,形成了一套業務流程。
概括為
四大核心功能模組
:
人群定向模組
,包括人群圈選、人群泛化、使用者匯入等;
目標使用者ID-Mapping模組
,包括站外Mapping、站內Mapping等對接適配;
使用者洞察(效果評估)模組
,包括構成分析、對比分析等;
ABTest(活動最佳化)模組
,包括策略設定、實驗組織等。
圍繞站內運營自閉環、站內向站外投放閉環、站外向站內廣告閉環等人群運營,可以靈活適配活動落地。
3.DMP畫像特徵
在人群定向模組,存在大量的人群標籤篩選、組合標籤篩選的應用要求,對DMP平臺的畫像特徵庫提出很高的要求。
知乎DMP按照三層結構進行
畫像特徵分類設計
:
第一層分類:按主題分組
,目前主要包括個體資訊、消費特徵、創作、興趣、圖文等8組。
第二層分類:按屬性分組
,比如個體資訊主題包括基礎特徵、裝置屬性、社會屬性等,知乎DMP目前有40組屬性特徵分組。
第三層分類:按標籤類分組
,比如性別類、手機品牌類、話題類等,目前有120類標籤。
基於以上三層特徵設計,知乎DMP畫像特徵庫已有標籤(標籤值)超過250萬。
4.DMP功能梳理
按照業務功能和特徵管理兩大能力進行說明:
業務功能主要服務於運營、營銷、站內應用系統等,包括人群定向、人群洞察、ID-Mapping等。
特徵管理的核心是特徵應用接入,在大規模標籤特徵基礎上,結合使用者群體關聯、以及實時特徵要求,這部分技術支撐依賴比較重。
詳細的功能分佈參見下圖:
——
02
架構與實現
一套好的架構設計,能夠有效降低業務功能實現的複雜度;能夠支撐業務功能動態擴充套件與迭代;對於有外部互動的系統,能夠保障系統的相容性和開放性;能夠保持系統運維的便捷性。
1.DMP平臺架構
知乎DMP平臺的整體架構,不同模組進行差異化設計:
對外模組:
lDMP介面:高穩定性、高併發高吞吐。
lDMP前臺:操作簡單,低運營使用成本。
lDMP後臺:日常開發工作配置化,降低開發成本。
業務模組:
人群圈選:可擴充套件。新增特徵0成本,新增規則低成本。
人群洞察:可擴充套件。新增特徵0成本,新增洞察方式低成本。
人群泛化:可擴充套件。新增泛化方式低成本。
特徵生產:擴充套件成本低。原子特徵低成本生產,派生特徵通過後臺可配置。
ID-Mapping:遮蔽ID打通邏輯。
計算任務運維:遮蔽機器資源和任務依賴的邏輯。
儲存:可擴充套件可持續,不因業務成長而導致成本大幅增加。
架構分佈詳情
,如下圖示:
2.DMP平臺功能盤點
按照業務向、基礎向兩部分進行特徵功能介紹。
(1)業務向功能
核心功能為人群定向、人群洞察兩部分,分別支撐業務應用側和價值運營側服務。
知乎DMP業務向功能上線運營情況介紹:
支援了5。2萬人群定向;
支援340次人群洞察;
支援59次人群泛化。
(2)基礎向功能
主要包括特徵建設、ID-Mapping能力、計算任務運維等三部分工作,形成三組專業小組分工協同。
知乎DMP基礎向功能運營情況介紹:
每日2。0+TB共5日11TB(離線、實時)特徵——Doris。
120個離線生產任務和5個實時生產任務。
每日6100次人群評估,300個人群圈選,1-2個人群洞察,1個人群泛化任務。
3.DMP特徵資料鏈路及儲存
資料匯入/儲存、快速查詢/讀取,是DMP平臺關鍵的資料技術環節。
DMP的批次、流式特徵如何建設並落地到相應的儲存?
(1)離線標籤鏈路(Spark批處理計算過程)
基於Hive中的各類業務資料,進行SQL批次計算,生成tag表(落地Hive表);
基於tag表再進行Mapping計算——主要透過使用者/裝置核心完成的統一ID計算,生成連續的自動ID,同時完成ID、Imei、IDsa等統一轉換和唯一繫結;
如果是一個新使用者,則生成一個新ID,如果是一個老使用者,則直接獲取已有ID,這個過程維護了一張ID-Mapping表,繼而附加各類MD5加密等處理過程,形成使用者唯一ID、各類ID對映關係表。知乎DMP中的ID-Mapping表已儲存約8。5億的ID轉化寬表資料。
(2)實時標籤鏈路(Flink實時計算處理過程)
基於Kafka中的各類業務資料,進行流式特徵計算,生成實時tag表(Kafka資料);
基於tag表進行流式Mapping計算,透過使用者/裝置核心完成統一ID計算(過程同上)。
(3)列舉採集
即250萬標籤的應用服務能力。
知乎DMP平臺現有的125個標籤類分組,分別由120個離線業務儲存過程和5個實時業務事件過程計算完成,已經生成了各類原子標籤。
ES標籤搜尋儲存:
在面向標籤篩選應用環節,大規模標籤錄入操作成本太高,所有選擇使用Bulk Load自動寫入ES,生成標籤列舉表tag_group表(儲存標籤中文資訊及搜尋,約250萬記錄),生成連續自增ID;
Doris中核心儲存:
根據ES中的連續自增ID,可以對映到Doris中使用者標籤表tag_map表(倒排表,使用者和標籤組合表,約有1100億資料),Doris中還存在第三張表即使用者行為表,是基於實時數倉夠賤的,這裡不做擴充套件介紹。
基於這三張表,給客戶洞察、人群定向提供了相應的資料支撐基礎。
4.人群定向流程
基於上個環節生成的ES-標籤列舉表、Doris-使用者標籤表、Doris-ID轉換對映表,進行人群定向流程解讀。
場景一:
透過購物車圈選人群標籤,生成人群包,進行人群預估、繼而完成人群圈選,最後寫入Redis的過程。
第一步:標籤搜尋(相關標籤、標籤組合等設定,購物車生成)
第二步:人群預估(潛在人群包的動態評估,根據標籤組合聯動調整購物車配置,完成目標事件的人群匹配)
第三步:生成人群包,關聯原資料、ID-Mapping 關聯轉換(站外);將人群包ID和人群ID寫入Redis,支援高併發查詢使用。若非高併發場景,可以寫入離線儲存機制使用。
場景二:
種子人群泛化場景,依託AI平臺完成模型訓練和人群推理泛化,透過置信度去選擇,打上人群標籤和人群包,最後寫會Doris的過程。
該場景包括歷史效果人群泛化、圈選人群的特徵泛化等。
日常業務運營過程中,對標籤、歷史人群進行組合、泛化,再限制條件進行圈選、洞察,最後再調整等靈活組合、交叉應用模式。
——
03
難點及解決方案
本部分主要圍繞人群定向方面做進行總結分享。
1.人群定向效能最佳化的痛點
知乎DMP平臺關鍵應用模組包括人群定向和客戶洞察,都依賴基礎的畫像特徵。基於當前250萬的標籤特徵資料基礎,如何解決以下兩個場景痛點:
人群定向方面關注痛點問題一:
人群預估(秒級響應)——針對投放和營銷場景,對人群數量期望是一定的,透過類似購物車的模式,動態調整使用者特徵,如何能保障快速看到預計匹配的人數?
人群定向方面關注痛點問題二:
人群圈選(分鐘級響應)——熱點運營,當熱點事件發生後,快速進行人群包圈選搶事件,對人群包時間有很高要求。
2.人群定向效能最佳化的思路(第一版)
解決上述效能問題的主要思路:
①倒排索引,將資料表變為bitmap。
②查詢條件的與或非轉變為bitmap的交併差。
③附帶完成連續數值轉變為離散標籤,即發揮離散計算的效能優勢,又提高了業務場景應用適配性。
倒排序索引,示例如下圖(左)所示:
ID-Mapping適配,基於倒排序索引最佳化結果,在匯入的過程中,完成ID-Mapping的生成(支援bitmap),實現使用者ID的連續自增。如下圖(右)所示:
結合倒排序索引儲存方式最佳化調整,查詢邏輯變化示例如下:
經過上述最佳化,仍存在單一bitmap過大的問題,導致shuffle過程網路IO過大,交換過程中資料堆積Doris出現brpc傳輸擁堵報錯,上百兆的bitmap間進行交併差計算效能低等情況;以及bitmap空間分佈分散,導致每次查詢都會有大量的資料交換,網路負載高,速度慢等特點。
3.人群定向效能最佳化的思路(第二版)
基於人群預估分鐘級、人群圈選10分鐘級的最佳化結果,再最佳化的核心思路是分而治之。
第二版最佳化的解決思路:
基於全站ID的交併差等價於將全站ID分組後的交併差結果的合併,故分而治之思路可行;考慮利用Doris的colocate group特性,將分組所有tag的bitmap閾值在同一臺物理機上,避免網路開銷;同時,升級Doris新版本,利用bitmap_and_not_count等組合函式,效能優於多函式巢狀等特性。
適配第二版最佳化的解決方案:
查詢過程調整,變更預估和圈人的查詢邏輯實現;發揮多執行緒查詢計算能力;查詢程式碼巢狀條件最佳化;寫入過程調整,進行百萬人群寫入分組,設定分組key;資料表設定colocate group。
分而治之方案的具體最佳化邏輯,如下圖所示:
最佳化前後的bitmap邏輯計算複雜度對比如下圖所示:
透過上述兩版本最佳化,實現人群定向秒級響應,人群圈選分鐘級響應效果。知乎DMP平臺達到運營投產目標。
——
04
知乎DMP平臺下一步迭代方向
1.業務運營最佳化
從DMP平臺的多核心模組整體運營協同考慮,將目前松耦合的目標結果管理模組,同平臺進行強繫結;將依賴流程繫結的A/B實驗能力,與平臺進行邏輯繫結。
2.技術迭代最佳化
技術層面,主要結合平臺日常運營圈選操作特點分析,實現以下兩方面的提升:
查詢效率提升:
自動探查SQL複雜查詢條件,預先合併成一個派生特徵的bitmap,預測和圈選時對複雜條件SQL重寫為派生特徵。
匯入效率提升:
將每天2TB的資料匯入,每15天大約會存11TB的資料,匯入過程中加速策略——結合業界的Spark寫OLTP引擎,考慮能否透過Spark直接寫Doris Tablet檔案,並掛載到FE。
今天的分享就到這裡,謝謝大家。
分享嘉賓:侯容 知乎
編輯整理:李挺 上海琢學
出品平臺:DataFunTalk
01/分享嘉賓
侯容|知乎
使用者理解&資料賦能研發 Leader
畢業於北京化工大學,2018 年初入職知乎,在社群業務線完成多方向的業務流程建設和架構的搭建,2021 年開始負責知乎使用者理解&資料賦能方向的研發團隊管理,主要涵蓋使用者理解和實時資料的工程和業務研發。2021 年在知乎帶領團隊完成了實時資料系統從基建到業務層從 0 到 1 的建設及重寫升級使用者理解應用,形成「資料來源於業務,資料賦能於業務」的閉環,建設了相應的基建,提升了使用者理解和實時資料的業務迭代效率,最終賦能業務拿到了不錯的業務效果。
02/關於我們
DataFun:
專注於大資料、人工智慧技術應用的分享與交流。發起於2017年,在北京、上海、深圳、杭州等城市舉辦超過100+線下和100+線上沙龍、論壇及峰會,已邀請超過2000位專家和學者參與分享。其公眾號 DataFunTalk 累計生產原創文章800+,百萬+閱讀,14萬+精準粉絲。