基于bitmap实现用户画像的标签圈人功能

用户画像系统中有一个很重要的功能点： 基于标签圈人。这里有个很核心的概念，什么是标签？

标签是简化用户表示的一种思维方式。 刻画用户的标签越多，用户画像就越立体。 比如:
90后，码农，宅男 3个标签就刻画了一类人。标签类似于戏曲中的脸谱来表现人物的性格和特征。

标签有哪些类型呢？

枚举类标签: 描述性别，地理位置。这类标签取值通常是可枚举出来的。
时间类标签: 描述业务触达和流失时间信息。 注: 时间类标签可存储成数值。
数值类标签: 比如账户金额，积分数量等。

所以本质上，标签只有两种: 离散枚举和连续数值。

有了标签后，如何在计算机中建模存储呢？

最简单最直观的方式就是设置大宽表，即每个标签一个字段。 通常一个小型的画像系统，有几百个标签足够。所以对于大部分场景宽表足够简单可依赖。

宽表一般存储在Hive中，出于性能考虑，会存储到Impala中。当数据量较大时，Impala也一般无法满足查询的性能需求。这是因为Impala没有索引，每次查询都是扫表。所以，为了能够利用索引提升性能，大宽表一般会从Impala转存到Elasticsearch中。

当一个用户Id附着成百上千个标签，按ES存储方式，会相当耗费存储资源，导入数据到ES也会成为性能瓶颈。 所以变通的方案是将所有的标签存储到ES的一个array字段中。但本质上，还是大宽表的方案。

大宽表的方案最大的问题: 新增标签时间成本太大，所以画像系统基本是T+1的实效性。 如果对响应时间没有苛刻的要求，基于Hadoop生态的ad hoc查询引