基于TairRoaring實現(xiàn)人群圈選方案
您可以通過Tair（企業(yè)版）的TairRoaring數(shù)據(jù)結(jié)構(gòu)快速搭建高性能的目標用戶篩選服務(wù)。
TairRoaring簡介
用戶標簽篩選場景往往應(yīng)用于個性化推薦、精準營銷等具體業(yè)務(wù)場景，通過不同的標簽輔以不同的運營營銷，從而實現(xiàn)資源投放方的商業(yè)利益最大化。
該類業(yè)務(wù)通常具備如下特點：
用戶標簽極多，需要較高的存儲空間及良好的擴展能力。
用戶規(guī)模大，需按照眾多維度添加標簽，數(shù)據(jù)分布較為離散。
計算量大，應(yīng)用會根據(jù)不同策略需選取不同標簽的用戶，且對性能、實時性均有較高要求。
Bitmap（又名Bitset）數(shù)據(jù)結(jié)構(gòu)可以較好地實現(xiàn)以上需求，使用少量的存儲空間來實現(xiàn)海量數(shù)據(jù)的查詢優(yōu)化。Redis開源版支持Bitmap運算，但是原生Bitmap往往難以應(yīng)付超大規(guī)模的人群打標問題：
原生Bitmap受限于keyspace的大小，對于稀疏場景會出現(xiàn)空間效率急劇降低的情況。
使用string進行Bitmap操作時，很多計算邏輯需要上載到用戶代碼邏輯中執(zhí)行，一來一回增加了3次額外的RTT（Round-Trip Time，往返時延）。
原生Redis存儲Bitmap時極易產(chǎn)生大key，會對集群穩(wěn)定性帶來極大的挑戰(zhàn)。
Roaring屬于高度工程優(yōu)化的Bitmap實現(xiàn)：
通過2層索引和多種動態(tài)容器（Container），平衡了多種場景下性能和空間效率。
使用了包括SIMD instructions、Vectorization、PopCnt算法等多種工程優(yōu)化，提升了計算效率，實現(xiàn)了高效的時空效率。
基于Tair提供的強大計算性能和極高的穩(wěn)定性，為用戶場景保駕護航。
相比較原生Bitmap，TairRoaring具有更低的內(nèi)存占用、更高的集合計算效率，同時依托Tair高性能，提供更低的延遲和更高的吞吐。
目標用戶篩選流程
人群篩選類業(yè)務(wù)往往包括模型的生成和篩選等多個步驟。
用戶特征的原始數(shù)據(jù)往往存儲在關(guān)系型數(shù)據(jù)庫中，通過行schema存儲用戶的不同維度特征。
按需對原始數(shù)據(jù)進行處理，生成用戶UID到人群Tag信息的映射關(guān)系。
定時更新（導(dǎo)入）用戶UID到標簽信息的映射關(guān)系到TairRoaring引擎中（一般為T+1，表示業(yè)務(wù)的第二天導(dǎo)入前一天的數(shù)據(jù)）。
通過TairRoaring加速業(yè)務(wù)計算：
查詢目標用戶與人群Tag的關(guān)系。
例如，判斷用戶（user1）是否屬于人群Tag-A (編號 16161)。
TR.GETBIT user1 16161通過
AND、OR、DIFF等操作構(gòu)造邏輯人群，并對邏輯人群信息進行計算。例如，獲取同時屬于人群Tag-B和Tag-C的所有目標用戶。
TR.BITOP result AND Tag-B Tag-C也存在部分從Tag信息到用戶UID映射關(guān)系的場景，如風(fēng)險控制場景等。
例如，查詢用戶（user1）是否屬于某個人群Tag-A中。
TR.GETBIT Tag-A user1