超级会员免费看
本文详细介绍了如何使用图计算实现ID Mapping，通过构建连通图解决不同平台和设备ID的关联问题，最终生成One ID。文章探讨了ID Mapping的难点，如需要大量关联代码和时间问题，并阐述了图计算的原理，包括图数据库、图数据查询、图数据分析和图数据可视化。通过Spark GraphX组件的示例代码展示了实际操作过程，并讨论了存在的问题，如弱关联的误判，提出了阈值过滤的解决方案。
ID Mapping(下)
上一节我们已经讲过什么是ID Mapping 了，顾名思义我们知道ID Mapping 的操作对象是ID，目标或者是动作是Mapping，也就是说我们要做的事情其实就是想把不同平台不同设备上的ID 打通，从而更好的去刻画用户，也就是说我们希望能打通用户各个维度的数据，从而更好的去服务业务服务用户。
上一节我们讲了常见的ID,例如登陆ID、设备ID 还有例如身份证号、手机号码等一些列的ID，都可以去标示一个用户，接下来我们就看一下如何去做ID Mapping，关于理论我们不多说。
这里有一点要说一下ID Mapping 做完之后我们就会做One ID ,也就是说我们为这些Mapping 上的ID 生成一个新的ID，这个ID 就是One ID，也就是说当我们的One ID 生成之后我们就可以使用这个ID 来打通所有的业务系统，关于One ID 可以参考下一篇文章。
ID Mapping 的难点
- 各个平台和各个设备ID 无法直接关联，所以要想关联需要找到关联对象，用SQL 举例就是如果你要想把 A 和 C关联起来，你必须找到可以同时和它们可以关联起来的B,而我们的用户ID 非常多，所以要想关联起来你不止要梳理清楚关联关系，而且你还得写大量的关联代码
- 时间问题，有些数据可能属于同一个人，但在某个阶段上，这些数据之间没有任何联系，那么这人的数据可能会被打上两个不同的标识，也就是说你需要在某一刻同时获得这些信息，但是这又是非常困难的。
订阅专栏 解锁全文
扫一扫
2354
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
