今日最大声：迎国庆 天安门城楼更换毛主席画像(组图)

新闻阁今日最大声栏目为您提供手机凤凰客户端今日最大声栏目的网页版,让您足不出户就能了解各地热点综合资讯。

　　人民网北京9月28日电 （尹星云）为迎接新中国成立68周年，27日23点，天安门城楼毛主席像进行了每年一次的“换新”工作。在施工人员细心、安全地操作下，旧画像被缓缓取下，最新绘制而成的毛主席画像悬挂在了天安门城楼上。来自五湖四海的游客将能看到天安门城楼上一幅颜色饱满亮丽的毛主席画像。

　　此次更换，施工人员动用了两辆吊车和一辆货车。28日0点05分，更换工作完成，整个换像过程持续了1个多小时。

　　据了解，每年国庆节前夕，天安门城楼都要更换新的毛主席画像，被风吹日晒稍许褪色的旧画像被取下。画家将会把旧画像进行处理，在处理后的画板上再精心画出毛主席的新画像，等到了下一年国庆前夕，再把上一年的旧画像更换下来。据了解，毛主席画像高6米，宽4.6米，总重量达到1.5吨。

　　此公开课为极客公园策划的「极客公开课•Live」第十四期。本次公开课，我们将邀请到友盟+首席数据架构师&数据委员会会长张金来为大家讲解到底什么是用户画像，快速建模框架，如何提高用户精准画像的的准确性，从理论到应用的一起了解用户画像。

　　什么是用户画像？

　　用户画像也叫用户标签， 是基于用户行为分析获得的对用户的一种认知表达，也是后续数据分析加工的起点。从认知心理学的角度，用户标签其实与人认知世界的方式相一致，人为了简化思考，通常也会通过概念化的方式简化事物认知，这种概念认知就是标签。因此，用户画像的内容可以很宽泛，只要是对人的认知，都可以叫做用户画像。例如：今天路过这个门口三次的人，也可以是一个标签，只要他有合适的应用场景。

　　另外，我们需要从概念上加以区分，用户标签和用户透视，一个是个体的认知，一个是整体的标签分布，二者都经常被人统称为用户画像。今天我们在这里说的用户画像主要指标签。

　　用户画像的 4 个核心价值

　　一、市场细分和用户分群：市场营销领域的重要环节。比如在新品发布时，定位目标用户，切分市场。这是营销研究公司会经常用的方式。

　　二、数据化运营和用户分析。后台 PV\UV\留存等数据，如果能够结合用户画像一起分析就会清晰很多，揭示数据趋势背后的秘密。

　　三、精准营销和定向投放。比如某产品新款上市，目标受众是白领女性，在广告投放前，就需要找到符合这一条件的用户，进行定向广告投放。

　　四、各种数据应用：例如推荐系统、预测系统。我们认为：未来所有应用一定是个性化的，所有服务都是千人千面的。而个性化的服务，都需要基于对用户的理解，前提就需要获得用户画像。

　　用户画像的基础：数据

　　做好用户画像需要一定的门槛，一方面是数据的体量和丰富程度，另一方面是技术和算法能力。今天介绍的经验基础是[友盟+]数据，首先简单介绍一下。[友盟+]有覆盖线上线下的实时更新的全域数据资源，每天大约有 14 亿的设备，覆盖数百万级的网站和 APP 行为，这个庞大的数据量使得我们有丰富的数据资源来生产用户画像，同时又要求我们能相应的技术能力来进行处理。

　　数据是如何生产，变成画像的？

　　结合上图，用户画像生产流程概览，我们将用户画像的生产比喻成一个流水线，就如同将矿石加工成成品的过程。用户浏览网页、使用 APP、线下行为，这些数据都是矿石，需要提炼、加工成为产品，最后还要通过质检。

　　这个过程通常有几个步骤。首先获得原始行为数据，基于这些数据做特征抽取，相当于清洗、加工的工作；在机器学习环节，会与外部知识库有一些交互。实际上机器算法对人的理解，一定要基于知识体系，就好像我们说的概念。比如，机器给人打汽车相关的标签，一定要首先知道汽车体系有什么样的分类，有什么车型，有这样的知识系统我们才能把人做很好的标识归类。

　　最后，质量检测，这一步也很重要。一个标签的质量决定了后期的应用效果，如果前期对人的分析偏了，后期结果就很难做对。

　　用户画像生产流程框架

　　上面讲的是概念图，如果具象到实际操作中，是这样一个框架流程：

　　这里先留三个悬念：

　　悬念一：从用户行为日志开始到标签产出，为什么有两条线？

　　悬念二：标签体系为什么只作用在内容标注上？

　　悬念三：为什么下面的「评估」过程要特别标注出来？

　　1、从用户行为日志开始到标签产出，为什么有两条线？我们把画像分为两大类：第一类：统计型画像；第二类：预测性画像。

　　第一类，统计型画像是客观存在，这种都是兴趣偏好。比如，用户每天都在看汽车新闻、搜索汽车相关的内容，基于这种行为，我们判断这个用户对汽车感兴趣。这些行为是客观发生的，因此无所谓正确率，也不需要训练样本集。

　　第二类，预测性画像。需要通过用户行为做预测，像用户的性别预测，尤其是挖掘人的内心态度。比如，用户在消费时，是激进的，还是保守的？有预测就有准确率。所以这里面有很重要的评估指标，就是正确率，也需要取样本集。这就是二者的不同，也会有不同的加工流程。

　　常用的一些标签体系

　　再继续介绍标签体系，因为很多同学会问到，「我应该建一个什么样的标签体系？什么样的标签体系是比较好的？」通常我们会把它分为四大类：

　　第一类：人口属性。比如说性别、年龄、常驻地、籍贯，甚至是身高、血型，这些东西叫做人口属性。

　　第二类：社会属性。因为我们每个人在社会里都不是一个单独的个体，一定有关联关系的，如婚恋状态、受教育程度、资产情况、收入情况、职业，我们把这些叫做社会属性。

　　第三类，兴趣偏好。摄影、运动、吃货、爱美、服饰、旅游、教育等，这部分是最常见的，也是最庞大的，难以一一列举完。

　　第四类，意识认知。消费心理、消费动机、价值观、生活态度、个性等，是内在的和最难获取的。举个例子，消费心理/动机。用户购物是为了炫耀，还是追求品质，还是为了安全感，这些都是不一样的。

　　如何判断标签体系的好坏？

　　在实际构建标签体系时，大家经常会遇到很多困惑，我列举 5 个常见问题。

　　第一、怎样的标签体系才是正确的？其实每种体系各有千秋，要结合实际应用去评估。

　　第二、标签体系需要很丰富么？标签是枚举不完的，可以横线延展、向下细分。也可以交叉分析，多维分析。如果没有自动化的方式去挖掘，是很难做分析的，太多的标签反而会带来使用上的障碍。

　　第三、标签体系需要保持稳定么？不是完全必要，标签体系就是产品/应用的一部分，要适应产品的发展，与时俱进。比如，以前没有共享经济这个词，今天却很热。我们是不是要增加一个标签，分析哪些人对共享经济的参与度高？喜欢共享单车、共享汽车。

　　但是，有一种情况下，标签要保持稳定。如果你生产的标签有下游模型训练的依赖，即我们模型建完后，它的输入是要保持稳定的，不能今天是 ABC，明天是 BCD。在这种情况下，是不能轻易对标签体系做更改的。

　　第四个，树状结构 or 网状结构？树状结构和网状结构从名字上就可以看出其分别。网状结构，更符合现实，但是层次关系很复杂，对数据的管理和存储都有更高要求。知乎，如果仔细去看它的话题设置，其实是网状的。

　　网状的特点就是一个子话题，父级可以不止一个，可能有两个。比如儿童玩具，既可以是母婴下分分类，也可以是玩具下的分类，它就会存在两个父节点之下。树状结构相对简单，也是我们最常用的。网状结构在一些特定场景下，我们也会去用。但是实现和维护的成本都比较高。比如，有一个节点是第四级的，但它的两个父节点一个是二级，一个是三级，结构异化带来处理上的麻烦。

　　第五个，何为一个好的标签体系？应用为王，不忘初心。标签是为了用的，并不是为了好玩，最好保证标签体系的灵活和细致性。

　　统计型标签的生产流程

　　再回到刚才说的生产流程上。我先结合下面的图介绍上半边，统计型的标签是怎么去加工的。

　　首先我们要有行为数据，例如用户每天看 100 篇文章，有 40 篇是体育的，有 30 篇是汽车的，有 20 篇是旅游的，还有 10 篇其他的。我推测，你比较喜欢体育、汽车、旅游。

　　对于这样的标签，大概需要什么流程去做呢？环节一很重要，内容标注。只有知道用户看的内容是什么，才能统计偏好。环节二，如何基于用户行为做聚合统计和归一化。

　　一个经典的标注例子：网页标注

　　在做内容标注时，一般会有两种情况：第一种：有些公司在建自有用户画像时会很幸运，例如电商、视频类、音乐类的媒体，它给用户服务的这些内容是已经分类好的。可以直接用内容的标注来做用户行为标注。

　　但是，对于一些通用型的内容，比如[友盟+]的数据，会有 PC 浏览数据、APP 的使用数据，一定要先了解用户喜欢看什么，才能去做下一步的工作。在这里面，最复杂，也最典型的就是网页的内容标注。

　　标签的最终生成：行为统计

　　根据用户的行为，统计标签数值，归一化。比如，我们判断用户是喜欢运动、还是服饰，会将他看来多少相关网页、使用了多少 APP 进行累加，在除以一个总累积，得到一个标签得分。

　　这里面有几个点需要关注：

　　第一、统计量的选取。可能是浏览数量、浏览时长、浏览频度、复合关系等。举个复合关系的例子，对于某个商品类目的偏好，你可以将浏览、搜索、收藏，购买等行为统计量加权在一起考虑。

　　第二、个体内的可比性。个体用户的不同标签间具有可比性。举个例子，我有两个标签：阅读、旅游。我的阅读标签是 0.8 分，旅游是 0.6 分，代表我更倾向于去阅读，而不是去旅游？如何保证这一点呢？在上面公式里将个体的行为总和作为分母就可以了。

　　第三、垂类内的可比性。一个垂类内不同用户的相同标签具有可比性。

　　例如，我的动漫得分是 0.8，你的是 0.6，表示我比你要更喜欢动漫。那么分母就是选取整个动漫类行为的总和。比如说，今天全国用户在 B 站上一共 100 万小时，你有 1 个小时，你是百万分之一，他花了 2 个小时，大约是百万分之二，最后再做一个归一化，就会产生一个类内可比的得分。

　　我们刚刚说的是绝对化的值，还有一个简单的做法就是做排序，基于用户的使用时间做排序，这样也可以。

　　但是排序和归一化到底有什么不同？排序只代表相对性，而刚才说归一化代表了强弱， 我的得分是 0.8 和你是 0.6，就表示偏好强度上我比你高了 30%，而排序则不能反映这样的比例。

　　11、统计型标签生产要点回顾

　　1、行为数据。浏览、使用、点击、购买、LBS 等，通过行为数据反映人的偏好倾向；

　　2、标签体系。根据实际需要进行设定。可以参考《消费者行为学》、电商类目体系、应用市场体系、媒体资讯体系等；

　　3、内容标注。把行为相关的内容抽出来做分析，把标签体系先打到它们身上，再累积到「人」身上；

　　4、得分归一化。明确归一化的目标，选择所需的归一化方法。举个例子，推荐适合用个体内可比较的得分，不管 A 看会某个内容用了多少时间，A 所看到最多的内容就优先推荐给 A，不用和其他人比较；

　　但在投放广告上，就要考虑用户在这个商品上的倾向度有多高，需要用户间可比较的得分。

　　预测型标签的生产流程

　　预测性标签的生产流程：特征抽取→监督学习、样本数据→评估→标签产出，这也是经典的机器学习流程。

　　特征工程

　　特征工程，是机器学习的关键过程之一。最重要的是提取不同侧面的特征。我们以移动端使用行为可抽取的部分特征为例：

　　1、APP 使用事实特征：用户 30 天内开启 APP 的天数、用户 180 天内开启 APP 的天数。这两个数据都会作为特征，考虑用户短期和长期的情况。

　　用户 30 天内使用 APP 时长占比、用户 180 天内使用 APP 时长占比。刚才说的是次数，这块是时长，用户可能反复打开，但是总时长很短。

　　2、兴趣特征：虽然信息有损失，但是泛化效果更好。举个例子，你是 A 站用户，他是 B 站用户，理论上讲，如果我们用最底层的数据，你们两个人是不太一样的，但某种程度上，他们都是对二次元感兴趣的人；

　　近期用户兴趣标签归一化值、长期用户兴趣标签归一化值。用户长短期基于兴趣标签下使用不同 APP 的熵值、历史某类 APP 时间消耗占比变动比例。其实反映了我们要看这个分布，以及分布的趋势性，你过去关注度高，现在关注度减弱，和你过去关注度不高，现在关注度高，其实这两个是完全对应不同的人，这也是我们参考的特征。

　　3、设备与环境特征：近期使用的设备品牌、近期使用的设备型号；工作日时间段内 Wi-Fi 使用时间分布、休息日时间段内 Wi-Fi 使用时间分布（工作日与假日的区分）。

　　模型训练与结果评估

　　1、模型选择。有有监督的分类算法：逻辑回归、SVM、决策树、Bagging、深度学习；

　　2、二分类 or 多分类。二分类比较简单，多分类则有不同的拆分策略。举个例子，把人分为男女，是二分类的问题；分为年龄段，就是多分类的问题，我们在机器学习当中也有不同的做法，OvO（一对一）、OvR（一对其他）、MvM（多对多）。

　　3、结果评估。评估指标包括：正确率、召回率、应用效果。但是对于统计型标签来说无正确率，召回率看阈值，今天你只看一个汽车的型号，理论上我也可以给你打一个标签，但是分值非常低，这个分值到底要不要算做这个标签的人，要看中选什么样强度的人。预测型标签，一般看 Precision，Recall，F-Score，ROC。

　　4、Ranking 任务。一类特殊的定制化标签。针对特定场景，如对电话营销需要按照可能性排序打电话。套用上述模型，可以用最终得分来做 Ranking。

　　15、关于标签评估的延展

　　标签的生产不是目的，使用才是。正确率≠效果，举个例子：喜欢看车不代表是试驾购车的目前人群。

　　第一，用户分层的评估。针对于重点人群进行评估，不同人群分层进行评估；第二，从全局进行评估。不要只局限于样本集合的评估，参看一些全局统计数据。例如，人口属性的分布和统计局的结果是否相符？第三，有效果反馈的应用。将标签直接应用于使用场景中检验效果。例如，进行营销的定向投放，测试点击率；第四，利用其它数据佐证。使用其他行为数据来验证标签的有效性。例如，在电商环境中后续的行为差异来评估显著性。

　　一个快速建模框架

　　我们今天不再强调标签丰富度，而是快速建模的能力。快速建模怎么做到？这套系统在[友盟+]比较完备，使得我们收到一个样本就可以很快训练模型，这个流程最快 3 个小时就能够把标签算出来。

　　用户画像的应用

　　Data -> Insight -> Action->Data->…

　　第一步，先有数据，就像标签生产出来，要有数据的过程；第二步，分析，洞察。洞察并不是最终目的，因为洞察只是得到一个结论或者方向；第三步，开始应用；应用后又带来新的数据，从而形成数据的闭环。举个例子，广告怎样的群体点击了，数据被反馈回来，下一个循环可以进行调整，不断地迭代，优化整个效果。

　　DIP营销服务流程

　　关于上述流程的实际使用，结合[友盟+]DIP 数据智能平台讲一下营销服务流程是如何做的。

　　左上面是我们一些数据，例如：客户上传数据后，我们会有一个匹配的过程，把所有数据打通连接。上传、匹配之后，会对这些数据做人群分析。比如说宝马 X1 今年刚上市，他们把去年购买 X1 的用户都上传上来，我们会分析这样的用户在哪些方面是有特性的，比如年龄段、地域分布、收入、偏好。有了这样的分析后，我们可以选择相应的人群，基于历史的偏好、特征，然后再去投放；如果中间我们会发现人群量不够，最初选择 10 万人可以放大到 100 万人。最后输出到媒体、RTB 等渠道商。做预算，看效果，将效果数据回流，再去迭代，以进一步提高投放的精准率。这是我们常用的一个流程。

　　在举个实际的例子，如果要做一个新产品的传播推广，这时需要做定向投放。我们先要对潜在用户要进行分析，例如对于科技产品非常感兴趣的人，我们发现他每天 8、9 点特别活跃，通过进一步分析，他会和哪些媒体做触达，或者他看不看电视会不会留意到地铁里面的广告，这也是一个触达渠道，以及看什么样类型的，看资讯、社交、八卦，这个不太一样。要找到受众，应该到哪找？比如说去这种有态度的网易新闻，还是个性化的今日头条，或者说腾讯新闻，这都需要进行分析。

　　基于上面的分析之后，再做结合分析。举个例子，你对科技感兴趣，那你的手机是不是到了更新期，你手机大概用了三年，应该到了更新期，就可以对这样的特定人进行投放。把人圈出来，投放、曝光，曝光之后我们去看营销的结果，然后返回来继续分析，会不会对其他内容感兴趣，再去做下一轮分析。

　　这就是我们之前做的一系列方法的一个应用。

　　最后关于数据应用我再给出一些通用型的建议：

　　第一、分析：

　　1、结合业务场景去选择分析维度：如果你是给中年妇女推荐保健品，你去分析她们喜欢不喜欢二次元，这就非常说不通了。

　　2、不要只是简单的看画像分布，一定要做对比。

　　3、例如，与大盘对比情况：TGI。上图是我们分析一个 APP 内的购买人群。紫色的线是人群的分布，年龄段的分布。我们看到 18-30 岁之间的人很多，感觉还不错。但是，如果你做一下大盘情况，APP 的用户大多是年轻人，因为本身这个产品有一个年龄偏小的分布特征。通过分析对比之后发现，TGI 比较高是 30-39 岁的人，这个范围的人才是在购买人群里面是显著的，这个群人才是你去做运营活动、投放的人群。

　　分析，一定要去做对比，单纯看分布是并没有太多信息含量。不对比看不出来差异。

　　4、环节的对比。哪些人我触达了，哪些人到这里落地了，哪些人注册了、哪些人真正浏览、哪些是留存、哪些是付费，每一个环节你都可以做这样的分析。

　　第二、精准投放（Action）。这是我们今天做标签非常大的一类应用。这时候大家可能会发现，我们做品牌广告、效果广告是不同的，举个例子，品牌广告我们就会关心 TA 浓度，关注我投放广告的人性别怎么样、年龄分布怎么样。效果广告是不一样的，效果广告通常很直接，你这个人是不是点了，最终 CTR 高不高，最终购买 ROI 高不高，这种一定是你最直接的兴趣是什么，你什么性别不重要，我就想知道你要不要。

　　另外一点，直觉未必靠谱，一定要通过反馈来检测，就是刚才说我们为什么要数据闭环，比如说，有一个商品设计者说，我这个产品目标是吸引白领女性，实际上他上市场去卖的时候发现，买他的男性大学生最多，跟他想的根本不一样。

　　如果你一直持续的给白领女性做广告投放，实际上效果可能不是最优的，反而你做校园活动会达到更好的效果。

　　甚至说，你可以基于你的用户场景做专属标签，以及你可以通过人群放大来做处理。举个例子说，我今天有新的车型上市，一个方法是，先选取对汽车感兴趣的人，或者 SUV 感兴趣的人，就可以去做投放，这个效果就可能不是最优的，更优的情况是针对你这个 case，去针对性的做训练，针对性的选取跟你相关的人，通常效果上比通用的标签选取更好，这时候我建议如果你特别强调你的效果，就去试试训练专属的标签。

　　更多详细讲解，请见知乎 Live

　　以上就是本次公开课的关键内容，更多演示请点击「极客公开课•Live」第十四期查看获取

　　(2017-09-22)

　　（稿件来源：搜达足球 梁正）

　　传奇的缔造，其实不需要耗费太长的时间。这句话，特别适用于张恩华在格林斯比的14周。

　　一段范志毅回忆水晶宫岁月的视频在社交网络被疯狂传播，作为留英球员的先锋代表，范大将军不是孤独的，除了孙继海的陪伴，在2000年末，还有一名中国球员也来到了大不列颠，他“黑子”张恩华。

　　相比于范志毅在英国多年的闯荡，张恩华短暂的三个多月，虽然显得微不足道，但其产生的巨大效应，绝不亚于任何一名中国的留洋球员。

　　早在1998年，张恩华就曾和范志毅一起试训南安普顿，不过当时的圣徒主帅达夫·琼斯对两位中国国脚并不感冒。

　　南安普顿的不愉快，没有击溃两位中国最优秀的中后卫，范志毅很快就重返英伦，他和孙继海一起加盟了维纳布尔斯执掌的水晶宫。

　　而比范志毅小了4岁的张恩华则在等了两年后，才再次迎来重返英国足坛的机会，格林斯比向他伸出了双手。

　　由于有著名的渔港，因此格林斯比有着“水手”之称。在张恩华加盟之前，水手在英甲（当时是英格兰第二级别联赛）保级圈苦苦支撑，球队仅有的三名中卫均因伤高挂免战牌。

　　格林斯比全队上下为此焦头烂额，球迷们希望俱乐部能从英超球队的预备队租借一两名年轻人来填补后防的空虚。

　　但时任球队主帅劳伦斯却给了球迷们一个不大不小的惊喜，一个从未听说过的名字出现在了水手阵营中，中国国脚张恩华，以租借的形式为水手效力3个月。

　　张恩华的加盟，瞬间带来了立竿见影的效果。2000年12月16日，张恩华为水手上演处子秀，并率领球队在主场2比0击败诺维奇。

　　“黑子”极具侵略性的风格，很快得到了格林斯比球迷的认可，他出色的防守也解决了球队后防人员吃紧的问题。在随后的几场比赛中，水手接连击败普雷斯顿和朴茨茅斯等队。由于张恩华的到来，格林斯比的保级之路出现了转机。

　　2001年2月17日，张恩华风潮再一次席卷布伦德尔公园球场。在主场对阵伯恩利的联赛中，张恩华打进自己在英甲的首粒进球。

　　在6044名球迷的见证下，张恩华的进球帮助球队1比0战胜了伯恩利。而“黑子”进球后的疯狂庆祝也被ITV选进了《周日进球》栏目的片头。

　　仅仅三天后，张恩华再次抢占头条，在对阵博尔顿的比赛中，他强有力的头球破门，让球队在客场拿下极其艰难的一分。

　　由于只和球队签下三个月短期租借合同，张恩华在2001年3月31日踢完客场对阵诺维奇的比赛后，就重新回到了大连实德。

　　尽管格林斯比上下都竭尽全力希望能将张恩华留下，并开出了天价的周薪，但限于各方面原因，张恩华只能无奈告别格林斯比。

　　在短短14周里，张恩华一共为水手踢了17场比赛，攻进3球，2次当选比赛最佳球员，在后防统治级的发挥，让他在短时间内即成为球迷的最爱，“传奇”一词不止一次出现在当时的水手球迷论坛中。

　　张恩华在这三个月的表现，也为格林斯比最终在当季成功保级立下汗马功劳。因此，不仅球迷，就连格林斯比当地媒体也对张恩华的离开依依不舍，《格林斯比电讯报》就撰文称，“张恩华是格林斯比一笔宝贵的财富。”

　　尽管只为球队效力了17场比赛，但张恩华的表现已经足以被水手列入俱乐部名宿的行列。在球队维基百科的名宿词条上，张恩华的名字就和曾经执教球队的名帅香克利一起出现。

　　张恩华在格林斯比的岁月虽然短暂，但这位中国国脚用实力证明了自己。

　　在离开格林斯比近十年后，英国老牌足球杂志《When Saturday Comes》在2010年就发表文章称，“张恩华在格林斯比的14周或许不是他职业生涯的顶点，但这段日子不应该被球迷所忘记。”

　　的确，张恩华在英伦赛场的时光虽然只有短短的14周，但他留下了太多美好的回忆，除了球场的完美发挥，他的儿子正是在格林斯比出生。

　　2012年，张恩华以客人的身份重回格林斯比，并在球队与温布尔登的比赛日和球迷见面。对于张恩华12年后重返格林斯比，当地媒体动情地表示，“张，欢迎回家。”

　　时至今日，张恩华的名字依然在格林斯比球迷心中，不时有球迷在Twitter打听张恩华的动向，他们对于这位俱乐部历史上的中国国脚，依然无比热爱。

　　而在俱乐部今年7月完成的名宿涂鸦墙上，张恩华的画像赫然在列。

　　以下为网友评论：

　　网友“Patrick怕吹客吾”：看过黑子当年在英甲的三个头球视频,其中有一个进球后跑向场边和球迷抱在一起,场面激动人心,三个进球带来五个积分,重要性不言而喻

　　网友“风中摇曳的灯光”：真正的球迷懂得珍惜球员给球队带来的影响,不像部分伪球迷,除了谩骂一无所知。感谢异国他乡的球迷,还知道张恩华,记得他