每日互动 (300766): 回答：答：一方面，我们积累线上 APP 行为特征数据。比如我们可以洞察 10 亿台设备上用户使用APP 的行为特征，全国大概有三千万种不同的 APP，我们做了非常细致分类，可以通过聚类算法把各种相关 APP 聚在一起。比如两个 APP 经常被同一个人安装，那这两个 APP 之间会存在某种联系，我们可以通过算法把它们聚在一起。大模型出来之后，我们还可以根据网络上对APP 的充分评价以及对 APP 本身的描述，用 NLP 的方式按相关属性进行聚类。这在我们业务的运用在起到非常不错的结果，这些日常的积累和梳理是非常重要的。另一方面，我们积累很多线下场景数据。我们公司内部一直以来有个“百千工程”，就是希望某一个标签提出来，它下面有 100 万到 1,000 万的人群拥有这个标签，既有区分度又有颗粒度，我们形成了大概 5,000 多个标签体系，也就是 5,000 多个人群包的特征，这些都会成为我们非常重要的数据资产。上述提到的场景都是我们高质量数据在背后起的作用。此外，结合刚才提到的公共数据开放，如果过程中只是开放原始数据，其实利用还是蛮难的，对这种数据的治理能力，就需要我们积累的 M 层的能力，我们的 DiOS 能够很好的把公共数据中非结构化数据结构化，对数据进行加工，包括把大量的数据能够向量化，通过“数据中间件”的方式，在 APP、跨主体之间进行信息的传递，这些起到了很好的作用。从数据质量上来讲，我们把线上 APP 行为数据和线下的场景数据做得非常好，同时延伸出来，也可以把像家庭电视跟手机终端之间关联好，形成家庭数据；把路上的车跟人之间形成驾驶数据，很多延伸产物都在梳理过程中诞生。

2023-08-23 00:00:00