用戶畫像小結(jié)

用戶畫像蔚舀，英文為Customer Profiling或Persona，核心在于標(biāo)簽化吃粒，目的在于得出結(jié)論潦俺，業(yè)務(wù)決策。

一、實(shí)踐經(jīng)驗(yàn)

管理層想要用戶畫像事示，個(gè)人感覺(jué)主要有兩方面的業(yè)務(wù)原因：

1早像、風(fēng)控，特別是基于歷史數(shù)據(jù)中肖爵，帶來(lái)最大盈利的用戶卢鹦，放款后發(fā)展越來(lái)越好的用戶的特點(diǎn)，進(jìn)行數(shù)據(jù)挖掘劝堪。

2冀自、產(chǎn)品設(shè)計(jì)，如何更加場(chǎng)景化秒啦，增加產(chǎn)品的吸引力熬粗。

其他諸如拒絕回?fù)啤⒕珳?zhǔn)營(yíng)銷等都是順手的事情了余境。

逼格很高荐糜，數(shù)據(jù)豐富，領(lǐng)導(dǎo)宏圖大志葛超，希望畫像越豐富、越細(xì)致越好延塑。工程浩大绣张，但實(shí)際業(yè)務(wù)人員卻覺(jué)得沒(méi)啥用，無(wú)法直接支持運(yùn)營(yíng)关带，又看得人頭暈?zāi)垦＝暮瑴S為數(shù)據(jù)的簡(jiǎn)單提取和統(tǒng)計(jì)加工。這里總結(jié)一下失敗的原因宋雏，也算沒(méi)有白干芜飘。

1、回頭來(lái)看磨总，至少應(yīng)當(dāng)先做一些簡(jiǎn)單的嗦明、必須的數(shù)據(jù)項(xiàng)，根據(jù)業(yè)務(wù)的需要再逐步增加蚪燕，節(jié)省物力人力娶牌，對(duì)于增加內(nèi)容也有的放矢（很可能是來(lái)自業(yè)務(wù)的實(shí)際需求）。

建議前期包括的數(shù)據(jù)：人口基本屬性馆纳、歷史信用屬性诗良，我司歷史申請(qǐng)還款記錄，要以強(qiáng)相關(guān)信息鲁驶、定性數(shù)據(jù)（標(biāo)簽化鉴裹、抽象化）為主。目標(biāo)是協(xié)助業(yè)務(wù)篩選出感興趣的客戶，定量數(shù)據(jù)不利于業(yè)務(wù)直接適用径荔，也由此看出穆迪這類公司為什么會(huì)輸出企業(yè)評(píng)級(jí)而不是企業(yè)信用分督禽。

2、問(wèn)題定義與問(wèn)題不可解猖凛。

首先赂蠢，應(yīng)當(dāng)具體的場(chǎng)景具體去選擇合適的用戶標(biāo)簽，不存在一個(gè)通用的用戶畫像辨泳。先有業(yè)務(wù)場(chǎng)景虱岂，再有字段需求，如利用銀聯(lián)數(shù)據(jù)＋自身數(shù)據(jù)＋信用卡數(shù)據(jù)菠红，發(fā)現(xiàn)信用卡消費(fèi)超過(guò)其月收入的用戶第岖，推薦其進(jìn)行消費(fèi)分期。

其次试溯，如放款后的客戶蔑滓，多次續(xù)貸并且企業(yè)發(fā)展越來(lái)越好，個(gè)人認(rèn)為是比較難通過(guò)內(nèi)部的一些數(shù)據(jù)描繪出來(lái)的遇绞，本身就是一個(gè)無(wú)法轉(zhuǎn)換為數(shù)據(jù)問(wèn)題的業(yè)務(wù)問(wèn)題键袱，不可解。

最后摹闽，我們的用戶標(biāo)簽是很粗淺的蹄咖、稀疏的，最大的價(jià)值就是方便一點(diǎn)付鹿、集中一點(diǎn)澜汤，想要對(duì)業(yè)務(wù)有更大的價(jià)值，應(yīng)當(dāng)提取的是隱形的標(biāo)簽（業(yè)務(wù)無(wú)法直接獲取的）舵匾，比如用戶的貸款目的俊抵、用戶資金偏好（適用于授信后客戶拒絕接受場(chǎng)景）、產(chǎn)品的使用頻次等坐梯，當(dāng)然這需要使用一些模型（簡(jiǎn)單的規(guī)則模型也行）和算法得到徽诲。

二、案例研究

1吵血、電商案例

用戶樣本篩選馏段，目的是區(qū)隔用戶，可以將復(fù)雜的后臺(tái)數(shù)據(jù)（業(yè)務(wù)不可得或需消耗大量精力獲得）轉(zhuǎn)換為簡(jiǎn)單践瓷、可理解的業(yè)務(wù)標(biāo)簽（用戶描述）院喜。

用戶畫像的數(shù)據(jù)模型，可以概括為下面的公式：用戶標(biāo)識(shí)+ 時(shí)間 + 行為類型 +接觸點(diǎn)（網(wǎng)址+內(nèi)容）晕翠，某用戶因?yàn)樵谑裁磿r(shí)間喷舀、地點(diǎn)砍濒、做了什么事，打上XX標(biāo)簽（如母嬰硫麻、紅酒等）爸邢。

用戶標(biāo)簽的權(quán)重可能隨時(shí)間的增加而衰減，定義時(shí)間為衰減因子r拿愧，行為類型杠河、網(wǎng)址決定了權(quán)重，內(nèi)容決定了標(biāo)簽浇辜，進(jìn)一步轉(zhuǎn)換為公式：標(biāo)簽權(quán)重=衰減因子×行為權(quán)重×網(wǎng)址子權(quán)重券敌。

2、標(biāo)簽體系案例

構(gòu)建標(biāo)簽體系

主流的標(biāo)簽體系都是層次化的柳洋，首先標(biāo)簽分為幾個(gè)大類待诅，每個(gè)大類下進(jìn)行逐層細(xì)分。

基于原始數(shù)據(jù)首先構(gòu)建的是事實(shí)標(biāo)簽熊镣，事實(shí)標(biāo)簽可以從數(shù)據(jù)庫(kù)直接獲缺把恪（如注冊(cè)信息），或通過(guò)簡(jiǎn)單的統(tǒng)計(jì)得到绪囱。這類標(biāo)簽構(gòu)建難度低测蹲、實(shí)際含義明確，且部分標(biāo)簽可用作后續(xù)標(biāo)簽挖掘的基礎(chǔ)特征（如產(chǎn)品購(gòu)買次數(shù)可用來(lái)作為用戶購(gòu)物偏好的輸入特征數(shù)據(jù)）鬼吵。

模型標(biāo)簽是標(biāo)簽體系的核心弛房，也是用戶畫像工作量最大的部分，大多數(shù)用戶標(biāo)簽的核心都是模型標(biāo)簽而柑，需要用到機(jī)器學(xué)習(xí)和自然語(yǔ)言處理技術(shù)。

最后構(gòu)造的是高級(jí)標(biāo)簽荷逞，高級(jí)標(biāo)簽是基于事實(shí)標(biāo)簽和模型標(biāo)簽進(jìn)行統(tǒng)計(jì)建模得出的媒咳，它的構(gòu)造多與實(shí)際的業(yè)務(wù)指標(biāo)緊密聯(lián)系。只有完成基礎(chǔ)標(biāo)簽的構(gòu)建种远，才能夠構(gòu)造高級(jí)標(biāo)簽涩澡。構(gòu)建高級(jí)標(biāo)簽使用的模型，可以是簡(jiǎn)單的數(shù)據(jù)統(tǒng)計(jì)坠敷，也可以是復(fù)雜的機(jī)器學(xué)習(xí)模型妙同。

具體標(biāo)簽構(gòu)建

以三類標(biāo)簽為例，三類標(biāo)簽的特性膝迎、使用的技術(shù)均存在差異粥帚。人口屬性標(biāo)簽，比較穩(wěn)定限次，一旦建立很長(zhǎng)一段時(shí)間基本不用更新芒涡，標(biāo)簽體系也比較固定柴灯；興趣屬性標(biāo)簽，隨時(shí)間變化很快费尽，有很強(qiáng)的時(shí)效性赠群，標(biāo)簽體系也不固定；地理屬性標(biāo)簽旱幼，時(shí)效性跨度很大查描，如GPS軌跡標(biāo)簽需要做到實(shí)時(shí)更新，而常住地標(biāo)簽一般可以幾個(gè)月不用更新柏卤。

很多產(chǎn)品（如QQ冬三、facebook等）會(huì)引導(dǎo)用戶填寫基本信息，包括年齡闷旧、性別长豁、收入等人口屬性，但完整填寫個(gè)人信息的用戶只占很少一部分忙灼。一般會(huì)用填寫了信息的這部分用戶作為樣本匠襟，把用戶的行為數(shù)據(jù)作為特征訓(xùn)練模型，對(duì)無(wú)標(biāo)簽的用戶進(jìn)行人口屬性的預(yù)測(cè)该园。這種模型把用戶的標(biāo)簽傳給和他行為相似的用戶酸舍，可以認(rèn)為是對(duì)人群進(jìn)行了標(biāo)簽擴(kuò)散，因此常被稱為標(biāo)簽擴(kuò)散模型里初。

通過(guò)分析啃勉，我們發(fā)現(xiàn)男性和女性，對(duì)于影片的偏好是有差別的双妨，因此使用觀看的影片列表來(lái)預(yù)測(cè)用戶性別有一定的可行性淮阐。此外我們還可以考慮用戶的觀看時(shí)間、瀏覽器刁品、觀看時(shí)長(zhǎng)等泣特，為了簡(jiǎn)化，這里只使用用戶觀看的影片特征挑随。對(duì)于預(yù)測(cè)性別這樣的二分類模型状您，如果行為的區(qū)分度較好，一般準(zhǔn)確率和覆蓋率都可以達(dá)到70%左右兜挨。

興趣畫像是互聯(lián)網(wǎng)領(lǐng)域使用最廣泛的畫像膏孟，主要是從用戶海量行為日志中進(jìn)行核心信息的抽取、標(biāo)簽化和統(tǒng)計(jì)拌汇，因此在構(gòu)建用戶興趣畫像之前柒桑，需要先對(duì)用戶有行為的內(nèi)容進(jìn)行內(nèi)容建模。內(nèi)容建模需要注意粒度噪舀，過(guò)細(xì)的粒度會(huì)導(dǎo)致標(biāo)簽沒(méi)有泛化能力和使用價(jià)值幕垦，過(guò)粗的粒度會(huì)導(dǎo)致沒(méi)有區(qū)分度丢氢。

新聞數(shù)據(jù)本身是非結(jié)構(gòu)化的，使用文本主題聚類完成主題標(biāo)簽的構(gòu)建先改，形成對(duì)新聞內(nèi)容從粗到細(xì)的“分類-主題-關(guān)鍵詞”三層標(biāo)簽體系內(nèi)容建模（如LDA之類的）疚察。在完成內(nèi)容建模以后，我們就可以根據(jù)用戶點(diǎn)擊仇奶，計(jì)算用戶對(duì)分類貌嫡、主題、關(guān)鍵詞的興趣该溯，得到用戶興趣標(biāo)簽的權(quán)重岛抄。

用戶對(duì)每個(gè)詞的興趣計(jì)算公式：score_{i+1} = score_{i} + C\ast weight，詞在本次瀏覽的新聞中出現(xiàn)C=1狈茉，否則C=0夫椭，weight表示詞在這篇新聞中的權(quán)重。該公式有兩個(gè)問(wèn)題：一個(gè)是用戶的興趣累加是線性的氯庆，數(shù)值會(huì)非常大蹭秋，老的興趣權(quán)重會(huì)特別高；一個(gè)是用戶的興趣有很強(qiáng)的時(shí)效性堤撵，昨天的點(diǎn)擊要比一個(gè)月之前的點(diǎn)擊重要的多仁讨，線性疊加無(wú)法突出近期興趣。

我們使用如下的方法對(duì)興趣得分進(jìn)行次數(shù)衰減和時(shí)間衰減实昨。次數(shù)衰減的公式：score_{i+1} = \alpha *score_{i} + C*weight(0<\alpha<1)洞豁，α是衰減因子，最終得分會(huì)收斂到一個(gè)穩(wěn)定值 荒给，α取0.9時(shí)丈挟，得分會(huì)無(wú)限接近10。時(shí)間衰減的公式：score_{day+1} =score_{day}*\beta (0<\beta<1)志电，根據(jù)用戶興趣變化的速度曙咽、用戶活躍度等因素，也可以對(duì)興趣進(jìn)行周級(jí)別溪北、月級(jí)別或小時(shí)級(jí)別的衰減。

地理位置畫像常駐地的挖掘夺脾，基于用戶IP地址的解析之拨，對(duì)用戶IP出現(xiàn)的城市進(jìn)行統(tǒng)計(jì)就可以得到常駐城市標(biāo)簽，不僅可以用來(lái)統(tǒng)計(jì)各個(gè)地域的用戶分布咧叭，還可以根據(jù)用戶在各個(gè)城市之間的出行軌跡識(shí)別出差人群蚀乔、旅游人群等。GPS數(shù)據(jù)一般從手機(jī)端收集菲茬，但很多手機(jī)APP沒(méi)有獲取用戶 GPS信息的權(quán)限吉挣。

用戶畫像效果評(píng)估

興趣畫像的人為評(píng)估比較困難派撕，常用評(píng)估方法是設(shè)計(jì)小流量的A/B-test進(jìn)行驗(yàn)證，可以篩選一部分標(biāo)簽用戶睬魂，給這部分用戶進(jìn)行和標(biāo)簽相關(guān)的推送终吼，看標(biāo)簽用戶對(duì)相關(guān)內(nèi)容是否有更好的反饋，例如如果這批用戶的點(diǎn)擊率和閱讀時(shí)長(zhǎng)明顯高于平均水平氯哮，就說(shuō)明標(biāo)簽是有效的际跪。

用戶畫像的評(píng)估指標(biāo)主要是指準(zhǔn)確率、覆蓋率喉钢、時(shí)效性指標(biāo)姆打。標(biāo)簽還需要有一定的可解釋性（便于理解）和可擴(kuò)展性（便于維護(hù)，后續(xù)標(biāo)簽的添加）肠虽。

標(biāo)簽的準(zhǔn)確率指的是被打上正確標(biāo)簽的用戶比例幔戏，準(zhǔn)確率precision=\frac{\vert U_{tag=true} \vert }{U_{tag} } 是用戶畫像最核心的指標(biāo)，一個(gè)準(zhǔn)確率非常低的標(biāo)簽是沒(méi)有應(yīng)用價(jià)值的税课。評(píng)估一般有兩種方法：一種是在標(biāo)注數(shù)據(jù)集里留一部分測(cè)試數(shù)據(jù)闲延；另一種是在全量用戶中抽一批用戶，人工標(biāo)注評(píng)估準(zhǔn)確率伯复。由于初始的標(biāo)注數(shù)據(jù)集的分布和全量用戶分布相比可能有一定偏差慨代，故后一種方法的數(shù)據(jù)更可信。準(zhǔn)確率一般是對(duì)每個(gè)標(biāo)簽分別評(píng)估啸如，多個(gè)標(biāo)簽放在一起評(píng)估準(zhǔn)確率是沒(méi)有意義的侍匙。

標(biāo)簽的覆蓋率指的是被打上標(biāo)簽的用戶占全量用戶的比例，與準(zhǔn)確率是一對(duì)矛盾的指標(biāo)叮雳，可以拆解為兩個(gè)指標(biāo)來(lái)評(píng)估想暗，標(biāo)簽覆蓋的用戶比例（覆蓋的廣度）、覆蓋用戶的人均標(biāo)簽數(shù)（覆蓋的密度）帘不。覆蓋率既可以對(duì)單一標(biāo)簽計(jì)算说莫，也可以對(duì)某一類標(biāo)簽計(jì)算，還可以對(duì)全量標(biāo)簽計(jì)算寞焙，均有意義储狭。

用戶覆蓋比例：coverage=\frac{\vert U_{tag} \vert }{U} ，U表示用戶數(shù)捣郊。人均標(biāo)簽數(shù)：average = \frac{\sum_{i=1}^n tag_{i} }{\vert U_{tag} \vert } 辽狈， tag_{i}表示每個(gè)用戶的標(biāo)簽數(shù)。

時(shí)效性呛牲，如興趣標(biāo)簽刮萌、出現(xiàn)軌跡標(biāo)簽等，一周之前的就沒(méi)有意義了娘扩，如性別着茸、年齡等壮锻，可以有一年到幾年的有效期。對(duì)于不同的標(biāo)簽涮阔，需要建立合理的更新機(jī)制猜绣，以保證標(biāo)簽時(shí)間上的有效性。

用戶畫像的使用

一般需要一個(gè)可視化平臺(tái)澎语，對(duì)標(biāo)簽進(jìn)行查看和檢索途事。此外，我們還可以使用不同維度的標(biāo)簽擅羞，進(jìn)行高級(jí)的組合分析尸变，產(chǎn)出高質(zhì)量的分析報(bào)告。

3减俏、用戶實(shí)時(shí)風(fēng)格偏好建模

建模標(biāo)簽明確召烂，用戶偏好的商品風(fēng)格，建模流程如下圖：

標(biāo)簽產(chǎn)出的建模流程如下圖娃承，使用基于user-商品原始統(tǒng)計(jì)為基礎(chǔ)的topic model解決方案（PLSA奏夫、LDA、人工review topic下的詞）历筝。

在此基礎(chǔ)上酗昼，增加性別、年齡段梳猪、購(gòu)買力（收藏麻削、購(gòu)買、點(diǎn)擊商品的簡(jiǎn)單統(tǒng)計(jì)+協(xié)同過(guò)濾）等預(yù)測(cè)類標(biāo)簽春弥，增加維度進(jìn)行更加準(zhǔn)確的個(gè)性化推薦呛哟。

本案例作者也進(jìn)行了新品投放方面的應(yīng)用，值得借鑒匿沛，我的理解其實(shí)就正反兩面扫责，好的客戶找到對(duì)應(yīng)的特殊標(biāo)簽，分析來(lái)源渠道逃呼、廣告響應(yīng)等鳖孤，有了數(shù)據(jù)再進(jìn)一步迭代提高預(yù)測(cè)準(zhǔn)確度；壞的客戶就切斷渠道抡笼，做規(guī)則拒單苏揣。

4、消金逾期客戶畫像

基本相當(dāng)于數(shù)據(jù)分析蔫缸，從不同維度去觀察客戶的占比腿准、逾期率际起、首逾率拾碌、不良率吐葱。

以征信認(rèn)證逾期為例，可以看到分布及逾期情況是否與業(yè)務(wù)預(yù)期一致校翔，如存在差異則需及時(shí)調(diào)整貸前風(fēng)控策略弟跑。本平臺(tái)借款額度低、期限短防症，一般人不會(huì)為了這種貸款去打印人行征信孟辑，如果提供了人行征信，客戶多頭借貸蔫敲、中介包裝風(fēng)險(xiǎn)較高饲嗽，建議著重審核，數(shù)據(jù)表現(xiàn)也與業(yè)務(wù)理解一致奈嘿。

5貌虾、客戶畫像中常用的AI算法

主要是NLP，分詞裙犹、實(shí)體識(shí)別和詞性標(biāo)注同屬序列標(biāo)注問(wèn)題尽狠，是基礎(chǔ)工作。主題模型（Topic Model叶圃，LDA等袄膏，取代傳統(tǒng)的聚類方法）、TF-IDF掺冠、Word2Vec（Embedding方法沉馆，可為每個(gè)詞學(xué)習(xí)到一個(gè)稠密向量）等，得到了如標(biāo)簽（關(guān)鍵詞赫舒、分類）悍及、主題、嵌入向量（都可以理解為特征）接癌。如果把用戶對(duì)物品的行為心赶，消費(fèi)或者沒(méi)有消費(fèi)看成是一個(gè)分類問(wèn)題，用戶用實(shí)際行動(dòng)幫我們標(biāo)注了若干數(shù)據(jù)缺猛，那么挑選出他實(shí)際感興趣的特性就是特征選擇的問(wèn)題缨叫。

TF-IDF ，詞頻(Term Frequency)荔燎，逆文本頻率指數(shù)(Inverse Document Frequency)耻姥，TF表述的核心思想是，在1條文本中反復(fù)出現(xiàn)的詞更重要有咨。而IDF的思想是琐簇，在所有文本都出現(xiàn)的詞是不重要的，IDF用于修正TF所表示的計(jì)算結(jié)果。

TFIDF = \frac{詞語(yǔ)在該文本出現(xiàn)的次數(shù)}{該文本的總次數(shù)}*log(\frac{文本總數(shù)}{出現(xiàn)該詞語(yǔ)的文本數(shù)+1} )

TF-IDF用于生產(chǎn)用戶的偏好標(biāo)簽婉商，可計(jì)算得到某個(gè)詞語(yǔ)（標(biāo)簽）對(duì)用戶的權(quán)重似忧，并找到相似的用戶。同時(shí)可進(jìn)一步引入行為類型（訂單未支付丈秩、已支付未退款盯捌、已支付已退款等狀態(tài)）、行為次數(shù)和時(shí)間衰減（牛頓冷卻定律）的權(quán)重蘑秽，調(diào)整標(biāo)簽權(quán)重饺著。

三、經(jīng)驗(yàn)與建議

想清楚客戶畫像的應(yīng)用場(chǎng)景（做好頂層設(shè)計(jì)肠牲，才能有效控制投入資源幼衰，否則是無(wú)底洞）、支撐客戶畫像的數(shù)據(jù)源（數(shù)據(jù)的可得性缀雳、數(shù)據(jù)的標(biāo)準(zhǔn)化塑顺、數(shù)據(jù)統(tǒng)計(jì)口徑的統(tǒng)一等）、效果評(píng)估與業(yè)務(wù)應(yīng)用價(jià)值的閉環(huán)俏险。

附严拒，參考資料：

1、【干貨】基于知識(shí)圖譜的用戶理解竖独，https://zhuanlan.zhihu.com/p/54834467

2裤唠、[干貨](méi)如何構(gòu)建用戶畫像，http://www.woshipm.com/pmd/107919.html

3莹痢、干貨請(qǐng)收好：終于有人把用戶畫像的流程种蘸、方法講明白了，https://zhuanlan.zhihu.com/p/52756026

4竞膳、Spark機(jī)器學(xué)習(xí)進(jìn)階實(shí)戰(zhàn)航瞭，馬海平著。

5坦辟、用戶畫像-實(shí)戰(zhàn)案例刊侯，https://zhuanlan.zhihu.com/p/36395328

6、構(gòu)建用戶畫像中所用到的AI算法锉走，https://mp.weixin.qq.com/s/2cxhcz9k6N3cTslVRScVlA

7滨彻、網(wǎng)貸用戶畫像及不良率分析，https://zhuanlan.zhihu.com/p/153338705

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 人面猴
    序言：七十年代末挪蹭，一起剝皮案震驚了整個(gè)濱河市亭饵，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌梁厉，老刑警劉巖辜羊，帶你破解...
    沈念sama閱讀 207,113評(píng)論 6贊 481
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場(chǎng)離奇詭異，居然都是意外死亡八秃，警方通過(guò)查閱死者的電腦和手機(jī)庇麦，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,644評(píng)論 2贊 381
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進(jìn)店門，熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)喜德，“玉大人，你說(shuō)我怎么就攤上這事垮媒∩崦酰” “怎么了？”我有些...
    開(kāi)封第一講書人閱讀 153,340評(píng)論 0贊 344
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵睡雇，是天一觀的道長(zhǎng)萌衬。 經(jīng)常有香客問(wèn)我，道長(zhǎng)它抱，這世上最難降的妖魔是什么秕豫？ 我笑而不...
    開(kāi)封第一講書人閱讀 55,449評(píng)論 1贊 279
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任，我火速辦了婚禮观蓄，結(jié)果婚禮上混移，老公的妹妹穿的比我還像新娘。我一直安慰自己侮穿，他們只是感情好歌径，可當(dāng)我...
    茶點(diǎn)故事閱讀 64,445評(píng)論 5贊 374
  • 惡毒庶女頂嫁案：這布局不是一般人想出來(lái)的
    文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著亲茅，像睡著了一般回铛。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上克锣，一...
    開(kāi)封第一講書人閱讀 49,166評(píng)論 1贊 284
  • 城市分裂傳說(shuō)
    那天茵肃，我揣著相機(jī)與錄音，去河邊找鬼袭祟。 笑死验残，一個(gè)胖子當(dāng)著我的面吹牛，可吹牛的內(nèi)容都是我干的巾乳。 我是一名探鬼主播胚膊，決...
    沈念sama閱讀 38,442評(píng)論 3贊 401
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開(kāi)眼，長(zhǎng)吁一口氣：“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼想鹰！你這毒婦竟也來(lái)了紊婉？” 一聲冷哼從身側(cè)響起，我...
    開(kāi)封第一講書人閱讀 37,105評(píng)論 0贊 261
  • 萬(wàn)榮殺人案實(shí)錄
    序言：老撾萬(wàn)榮一對(duì)情侶失蹤辑舷，失蹤者是張志新（化名）和其女友劉穎喻犁，沒(méi)想到半個(gè)月后，有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體，經(jīng)...
    沈念sama閱讀 43,601評(píng)論 1贊 300
  • ?護(hù)林員之死
    正文 獨(dú)居荒郊野嶺守林人離奇死亡肢础，尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,066評(píng)論 2贊 325
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年还栓，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片传轰。...
    茶點(diǎn)故事閱讀 38,161評(píng)論 1贊 334
  • 活死人
    序言：一個(gè)原本活蹦亂跳的男人離奇死亡剩盒，死狀恐怖，靈堂內(nèi)的尸體忽然破棺而出慨蛙，到底是詐尸還是另有隱情辽聊，我是刑警寧澤，帶...
    沈念sama閱讀 33,792評(píng)論 4贊 323
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布期贫，位于F島的核電站跟匆，受9級(jí)特大地震影響，放射性物質(zhì)發(fā)生泄漏通砍。R本人自食惡果不足惜玛臂，卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,351評(píng)論 3贊 307
  • 男人毒藥：我在死后第九天來(lái)索命
    文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望封孙。 院中可真熱鬧迹冤，春花似錦、人聲如沸虎忌。這莊子的主人今日做“春日...
    開(kāi)封第一講書人閱讀 30,352評(píng)論 0贊 19
  • 一樁弒父案，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)呐籽。三九已至锋勺，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間狡蝶，已是汗流浹背庶橱。 一陣腳步聲響...
    開(kāi)封第一講書人閱讀 31,584評(píng)論 1贊 261
  • 情欲美人皮
    我被黑心中介騙來(lái)泰國(guó)打工， 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留贪惹，地道東北人苏章。 一個(gè)月前我還...
    沈念sama閱讀 45,618評(píng)論 2贊 355
  • 代替公主和親
    正文 我出身青樓，卻偏偏與公主長(zhǎng)得像奏瞬，于是被迫代替她去往敵國(guó)和親枫绅。 傳聞我的和親對(duì)象是個(gè)殘疾皇子，可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 42,916評(píng)論 2贊 344