当用户画像分析场景中存在大量的属性标签和行为标签时,使用Roaring Bitmap算法会有很大局限,Hologres为您提供BSI(Bit-sliced Index)算法,在解决局限问题的基础上尽可能保留Roaring Bitmap的多方优势。本文为您介绍在Hologres中如何通过BSI实现标签计算的最佳实践。
背景信息
Roaring Bitmap在用户画像分析场景,可以通过对标签表构建索引,将用户ID进行编码后以Bitmap格式保存,将关系运算转化为Bitmap的交并差运算,进而加速实时计算性能。但Roaring Bitmap会有以下局限:
多标签联合查询问题:Roaring Bitmap更多用于“属性标签”,且仅可用于固定标签。对于大量“行为标签”,如PV、订单金额、观看时长等量值类标签,联合查询的解决方案只有回溯明细表,明细数据下钻成本增加。
高基数标签的查询问题:当某个标签的去重值数量(基数)很大时,Roaring Bitmap的存储会膨胀,导致查询性能衰减。
针对上述局限,本文通过BSI(Bit-sliced Index)算法与若干函数进行优化,详情请参见BSI函数,解决以下问题:
对于多标签联合查询场景,针对量值类“行为标签”进行预计算,通过BSI进行压缩存储,在保障精度的同时还可以避免与明细表进行关联查询,即可实现“属性标签”和“行为标签”的高效联动分析。
对于高基数的行为标签,通过位切片索引,最多生成32个位切片,即可存储全部用户在INT范围内的行为标签值,并且在查询时可以通过二进制原理和Roaring Bitmap交并差运算进行快速计算,实现对高基数行为标签的压缩存储和低延迟查询。
画像分析方案介绍
假设系统中存在两张用户标签表,其中dws_userbase表示用户基础属性(省份、性别等),usershop_behavior表示用户行为标签(GMV等)。
原始数据格式
Bitmap格式:通过rb_tag表描述用户基础属性标签和uid的Bitmap关系,使用tag_name区分省份、性别等不同的标签。
BSI格式(位切片构建):通过bsi_gmv表描述用户行为标签值和uid的BSI关系,针对标签值的二进制表示,记录每一位切片对应的uid Bitmap,共计4个切片。
通过上述方案,将uid和对应的行为标签数值压缩存储进BSI中,通过BSI和Roaring Bitmap与或非运算实现标签的快速计算。比如:
通过BSI对圈选出的人群做行为标签求和计算:将求和计算转化为每一位BSI切片上的Bitmap交集计算。
通过BSI对圈选出的人群做行为标签Top K计算:将全局排序计算转化为自高位向低位的BSI切片上的Bitmap交集计算。
画像分析基础实践
BSI表设计
表名 | 表字段 | 备注 |
dws_userbase | (uid int, province text, gender text) | 用户原始属性标签表,同标签宽表方案。 |
dws_uid_dict | (encode_uid serial, uid int) | 用户uid字典编码表,同Roaring Bitmap方案。 |
usershop_behavior | (uid int, gmv int) | 用户原始行为标签表,记录GMV等行为标签数据。 |
rb_tag | (tag_name text, tag_val text, bitmap roaringbitmap) | 使用Roaring Bitmap表示的用户属性标签表。 |
bsi_gmv | (gmv_bsi bsi) | 使用BSI表示的用户GMV指标明细表。 |
表DDL语句如下:
用户原始属性标签表
CREATE TABLE dws_userbase ( uid int NOT NULL PRIMARY KEY, province text, gender text ... -- 其他属性列 ) WITH ( distribution_key = 'uid' );
用户uid字典编码表
CREATE TABLE dws_uid_dict ( encode_uid serial, uid int PRIMARY KEY );
用户原始行为标签表
CREATE TABLE usershop_behavior ( uid int NOT NULL, gmv int ) WITH ( distribution_key = 'uid' );
Roaring Bitmap表示的用户属性标签表
CREATE TABLE rb_tag ( tag_name text, tag_val text, bitmap roaringbitmap );
BSI表示的用户行为标签表(GMV)
CREATE TABLE bsi_gmv (
gmv_bsi bsi
CREATE TABLE bsi_gmv ( gmv_bsi bsi );
数据导入
通过原始属性标签表和uid字典编码表生成属性标签Roaring Bitmap数据并分桶
INSERT INTO rb_tag SELECT 'province', province, rb_build_agg (b.encode_uid) AS bitmap FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid GROUP BY province; INSERT INTO rb_tag SELECT 'gender', gender, rb_build_agg (b.encode_uid) AS bitmap FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid GROUP BY gender;
通过原始行为标签表和uid字典编码表生成行为标签BSI数据并分桶
INSERT INTO bsi_gmv SELECT bsi_build(array_agg(b.encode_uid),array_agg(a.gmv)) AS bitmap FROM usershop_behavior a JOIN dws_uid_dict b ON a.uid = b.uid ;
画像分析
通过BSI,可以非常便捷的将人群的属性标签和行为标签关联分析,包括人群圈选后的行为标签洞察、基于行为标签过滤的人群圈选等多个场景,示例如下:
人群圈选+行为标签分析
查询“广东”“男”用户的GMV总值和人均GMV:
通过BSI和Roaring Bitmap查询。
SELECT sum(kv[1]) AS total_gmv, -- 总GMV sum(kv[1])/sum(kv[2]) AS avg_gmv -- 人均GMV FROM ( SELECT bsi_sum(t1.gmv_bsi,t2.crowd) AS kv FROM bsi_gmv t1, (SELECT rb_and(a.bitmap,b.bitmap) AS crowd FROM (SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a, -- 男性用户 (SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b -- 广东用户 ) t2 ) t;
通过原始属性标签与行为标签表查询。
SELECT sum(b.gmv) AS total_gmv, avg(b.gmv) AS avg_gmv FROM dws_userbase a JOIN usershop_behavior b ON a.uid = b.uid WHERE a.province = '广东' AND a.gender = 'Male';
查询“广东”“男”用户的消费金额分布:
通过BSI和Roaring Bitmap查询:通过bsi_stat函数,定义边界值数组,即可高效完成多个区间内查询。
SELECT bsi_stat('{100,300,500}', filter_bsi) FROM ( SELECT bsi_filter(t1.gmv_bsi,t2.crowd) AS filter_bsi FROM bsi_gmv t1, (SELECT rb_and(a.bitmap,b.bitmap) AS crowd FROM (SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a, -- 男性用户 (SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b -- 广东用户 ) t2 ) t;
通过原始属性标签和行为标签表查询:只能通过CASE WHEN语法表达。
SELECT CASE WHEN gmv >= 0 AND gmv <= 100 THEN '0-100' WHEN gmv > 100 AND gmv <= 300 THEN '100-300' WHEN gmv > 300 AND gmv <= 500 THEN '300-500' WHEN gmv > 500 THEN '>500' END AS gmv_range, COUNT(*) AS user_count FROM dws_userbase a JOIN usershop_behavior b ON a.uid = b.uid WHERE a.province = '广东' AND a.gender = 'Male' GROUP BY gmv_range ORDER BY gmv_range;
昨日“广东”“男”用户消费金额Top K查询:
通过BSI和Roaring Bitmap查询。
SELECT rb_to_array(bsi_topk(filter_bsi,10)) FROM ( SELECT bsi_filter(t1.gmv_bsi,t2.crowd) AS filter_bsi FROM bsi_gmv t1, (SELECT rb_and(a.bitmap,b.bitmap) AS crowd FROM (SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a, -- 男性用户 (SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b -- 广东用户 ) t2 ) t;
通过原始属性标签与行为标签表查询:
SELECT b.uid, b.gmv FROM dws_userbase a JOIN usershop_behavior b ON a.uid = b.uid WHERE a.province = '广东' AND a.gender = 'Male' ORDER BY gmv DESC LIMIT 10;
基于行为标签的人群圈选
圈选消费金额大于1000的用户:
通过BSI和Roaring Bitmap查询。
SELECT rb_to_array(bsi_gt(gmv_bsi, 1000)) AS crowd FROM bsi_gmv;
通过原始属性标签与行为标签表查询。
SELECT array_agg(uid) FROM usershop_behavior WHERE gmv > 800;
画像分析高级实践-分桶计算
依据上文的方案,将dws_userbase表按照省份、性别的列Bitmap压缩为一个Roaring Bitmap表,将usershop_behavior压缩成一个BSI表,压缩出来的Bitmap和BSI只能分布与集群中的少数节点,计算存储都不均匀,集群的资源并不能充分利用。因此,有必要将Bitmap和BSI拆分成多段,并将它们打散到集群中来提升并发执行的能力,假设将Bitmap和BSI都打散成65536段,实践方案如下:
BSI表设计
表名 | 表字段 | 备注 |
dws_userbase | (uid int, province text, gender text) | 用户原始属性标签表,同上文基础实践。 |
dws_uid_dict | (encode_uid serial, uid int) | 用户uid字典编码表,同上文基础实践。 |
usershop_behavior | (uid int, category text, gmv int, ds date) | 用户原始行为标签表。 相较于基础实践,增加了类目(category)、日期(ds)字段,用于对数据进行分类,分时计算。 |
rb_tag | (tag_name text, tag_val text, bucket int, bitmap roaringbitmap) | 使用Roaring Bitmap表示的用户属性标签表。 相较于基础实践,增加分桶(bucket)字段。 |
bsi_gmv | (ds text, category text, bucket int, gmv_bsi bsi) | 使用BSI表示的用户GMV指标明细表。 相较于基础实践,增加了类目(category)、日期(ds)、分桶(bucket)字段,用于对BSI数据进行分类、分时、分桶计算。 |
表DDL语句如下:
Roaring Bitmap表示的用户属性标签表并分桶
CREATE TABLE rb_tag ( tag_name text, tag_val text, bucket int, bitmap roaringbitmap ) WITH ( distribution_key = 'bucket' -- 将分桶编号作为distribution_key );
BSI表示的用户行为标签表(GMV)并分桶
CREATE TABLE bsi_gmv ( category text, bucket int, gmv_bsi bsi, ds date ) WITH ( distribution_key = 'bucket' -- 将分桶编号作为distribution_key );
数据导入
通过原始属性标签表和uid字典编码表生成属性标签Roaring Bitmap数据并分桶
INSERT INTO rb_tag SELECT 'province', province, encode_uid / 65536 AS "bucket", rb_build_agg (b.encode_uid) AS bitmap FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid GROUP BY province, "bucket"; INSERT INTO rb_tag SELECT 'gender', gender, encode_uid / 65536 AS "bucket", rb_build_agg (b.encode_uid) AS bitmap FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid GROUP BY gender, "bucket";
通过原始行为标签表和uid字典编码表生成行为标签BSI数据并分桶
INSERT INTO bsi_gmv SELECT a.category, b.encode_uid / 65536 AS "bucket", bsi_build(array_agg(b.encode_uid),array_agg(a.gmv)) AS bitmap, a.ds FROM usershop_behavior a JOIN dws_uid_dict b ON a.uid = b.uid WHERE ds = CURRENT_DATE - interval '1 day' GROUP BY category, "bucket", ds;
画像分析
通过BSI,可以非常便捷的将人群的属性标签和行为标签关联分析,包括人群圈选后的行为标签洞察、基于行为标签过滤的人群圈选等多个场景,同时还可以通过将人群数据打散到不同分桶进行加速计算,具体如下:
人群圈选+行为标签分析
查询“广东”“男”用户“昨天”在“3C”类目下的GMV总值和人均GMV:
SELECT sum(kv[1]) AS total_gmv, -- 总GMV sum(kv[1])/sum(kv[2]) AS avg_gmv -- 人均GMV FROM ( SELECT bsi_sum(t1.gmv_bsi,t2.crowd) AS kv, t1.bucket FROM (SELECT gmv_bsi, bucket FROM bsi_gmv WHERE category = '3C' AND ds = CURRENT_DATE - interval '1 day') t1 JOIN (SELECT rb_and(a.bitmap,b.bitmap) AS crowd, a.bucket FROM (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a -- 男性用户 JOIN (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b -- 广东用户 ON a.bucket = b.bucket ) t2 ON t1.bucket = t2.bucket ) t;
查询“广东”“男”用户“昨天”在“3C”类目下的消费金额分布:
SELECT bsi_stat('{100,300,500}', bsi_add_agg(filter_bsi)) FROM ( SELECT bsi_filter(t1.gmv_bsi,t2.crowd) AS filter_bsi, t1.bucket FROM (SELECT gmv_bsi, bucket FROM bsi_gmv WHERE category = '3C' AND ds = CURRENT_DATE - interval '1 day') t1 JOIN (SELECT rb_and(a.bitmap,b.bitmap) AS crowd, a.bucket FROM (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a -- 男性用户 JOIN (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b -- 广东用户 ON a.bucket = b.bucket ) t2 ON t1.bucket = t2.bucket ) t;
“广东”“男”用户“昨日”消费金额Top K查询:
SELECT bsi_topk(bsi_add_agg(filter_bsi),10) FROM ( SELECT bsi_filter(t1.gmv_bsi,t2.crowd) AS filter_bsi, t1.bucket FROM (SELECT bsi_add_agg(gmv_bsi) AS gmv_bsi, bucket FROM bsi_gmv WHERE ds = CURRENT_DATE - interval '1 day' GROUP BY bucket) t1 JOIN (SELECT rb_and(a.bitmap,b.bitmap) AS crowd, a.bucket FROM (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a -- 男性用户 JOIN (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b -- 广东用户 ON a.bucket = b.bucket ) t2 ON t1.bucket = t2.bucket ) t;
基于行为标签的人群圈选
圈选“近一个月”在“3C”类目下消费金额大于1000的用户:
SELECT rb_to_array(bsi_gt(bsi_add_agg(gmv_bsi), 1000)) AS crowd FROM bsi_gmv WHERE category = '3C' AND ds BETWEEN CURRENT_DATE - interval '30 day' AND CURRENT_DATE - interval '1 day';