浅析阿里数据新能源技术架构（上）

本文基于阿里数据资深数据专家杨红霞在2017全球机器学习大会上演讲，修改整理而成。

来自：AliData

如果大家对阿里巴巴的新闻比较关注，最近可能会频繁听到阿里巴巴谈到“五新”这个词，“五新”中的其中一个概念是新能源。其实新能源就是大数据本身。技术、数据和算法三个方面结合在一起，才可以把数据真正用起来。

大家都知道，Google的数据量是很大的，但是它的数据源本身其实比较单一。以Google search，Google map等为主导，并没有太多和商业有直接相关的数据。

再来看看，Facebook。它更多的是社交行为的数据，缺少出行数据、浏览器数据、或者类似优酷的视听数据。

但是，对于阿里来说，上述的这些数据我们都有。我们面临的极大挑战是：怎么样有效的把这些全域数据融合在一起。

首先我们需要把数据有效地收集起来。我们有一个大数据体系“OneData”（有关OneData的内容，回复关键词“OneData”即可获得）。

把数据有效地收集、存储起来之后，接着要做的就是怎么通过算法把这些数据打通，并且真正有效、智能地把这些数据提炼出来。

数据融合的技术框架

这是阿里的一个生态体系图。最底层是阿里巴巴的阿里云，这是我们的一个计算存储框架。上面是阿里妈妈，阿里妈妈是负责整个阿里巴巴计算广告的一个部门，再上面是菜鸟、支付宝和蚂蚁金服。然后是与商业相关的，像淘宝网、天猫、聚划算等等，或者是跟文娱相关的，优酷土豆，还有像阿里旅行，口碑之类的业态。

阿里巴巴数据中台要做的事情是什么呢？

举一个最简单的例子，之前有一个比较火的电视剧《三生三世》。《三生三世》火热上映的时候，与之相关的商品元素，比如饮食或者穿戴之类的商品，也会瞬间在淘宝网上火爆起来。

那么如果我提前就知道某一类人群是《三生三世》的粉丝，我就可以在淘宝网上做非常高效的、准确的定位推广。

阿里数据要做的是：把数据真正打通，深度挖掘数据的价值，为业务创新应用提供数据决策基础和依据。

在真正进入算法之前，我们一定要对数据进行非常认真、仔细地进行清洗过程。俗话说，如果你的数据不清洗，其实就是“learn trash from trash”。所以数据本身一定要做得非常干净。

来看一下架构图。第一个数据层中有各种各样的数据，比如有消费数据，有广告数据，出行数据等等

把这些数据层经过有效结合在一起之后，接下来得到这种特征层的提取。

在阿里数据内部，大概有这样几个比较抽象的维度：像账号设立的静态特征，电商行为的特征，或者设备的特征等等。

在特征层之上，我们会有模型层，这里面有基于业务规则的模型，也有其他的例如异常检测，有监督或者无监督的学习，然后特征的联合校验等模型。

因为我们的数据源非常多，因此我们也可以通过部分的数据源验证另外一个数据源，看数据的增长或者留存是否处于一个正常范围。

另外还有一些比较好的方法，比如基于Graph的一些算法，实时的反作弊算法等等。在算法层之上，就是评估层。在评估层内，我们可以判断留下来的数据是否是真正有效的数据。

在上述这些数据层的上面，会有一个应用层，也同时会抽象出一些产品来帮助内部员工或者外部商家进行使用。

所以，整个数据中台实际上是从底到上对数据进行清洗的一个架构。

当我们有了非常干净的数据之后，我们要做的就是把数据打通。我刚才说了，阿里生态体系会呈现出几百个不同的数据源，这些数据源本身的数据量非常大，收集模式也各不相同。

那么我们是如何进行数据之间的融通的呢？

数据联通的技术思考

这是我们关于怎么把数据打通的一个技术架构。

大家可以看到，整个技术体系都是，先把数据接进来，再通过一些机器学习或者深度学习的办法（像word2vec,node2vec，TFIDF，归一化等）处理特征层，之后映射到一些比较抽象的高纬度Level（比方说像用户的身份信息，网络的环境相似度，文本的相似度，APP相似度等等）。

抽象完这些特征层之后，我们究竟怎样去判断。

这期间的方法大致可以分为四种有效的办法：

第一、是深度学习的模型。

第二、非线性。

第三、线性。

第四、基于图计算

此外，还有一些强召回，就是比如说用户有相同的账号登陆不同的地方。这些是所谓的强召回，它可以非常准确地被判断出来。弱召回就是基于算法特征层的这些模型，有效地判断出所有信息是否真正属于同一个自然人。（/END）

注：基于打通融合的数据，接下来我们还会介绍两款数据应用