今日最大聲：迎國慶 天安門城樓更換毛主席畫像(組圖)

新聞閣今日最大聲欄目為您提供手機鳳凰客戶端今日最大聲欄目的網頁版,讓您足不出戶就能瞭解各地熱點綜合資訊。

　　人民網北京9月28日電 （尹星雲）為迎接新中國成立68週年，27日23點，天安門城樓毛主席像進行了每年一次的“換新”工作。在施工人員細心、安全地操作下，舊畫像被緩緩取下，最新繪製而成的毛主席畫像懸掛在了天安門城樓上。來自五湖四海的遊客將能看到天安門城樓上一幅顏色飽滿亮麗的毛主席畫像。

　　此次更換，施工人員動用了兩輛吊車和一輛貨車。28日0點05分，更換工作完成，整個換像過程持續了1個多小時。

　　據瞭解，每年國慶節前夕，天安門城樓都要更換新的毛主席畫像，被風吹日曬稍許褪色的舊畫像被取下。畫家將會把舊畫像進行處理，在處理後的畫板上再精心畫出毛主席的新畫像，等到了下一年國慶前夕，再把上一年的舊畫像更換下來。據瞭解，毛主席畫像高6米，寬4.6米，總重量達到1.5噸。

　　此公開課為極客公園策劃的「極客公開課•Live」第十四期。本次公開課，我們將邀請到友盟+首席資料架構師&資料委員會會長張金來為大家講解到底什麼是使用者畫像，快速建模框架，如何提高使用者精準畫像的的準確性，從理論到應用的一起了解使用者畫像。

　　什麼是使用者畫像？

　　使用者畫像也叫使用者標籤， 是基於使用者行為分析獲得的對使用者的一種認知表達，也是後續資料分析加工的起點。從認知心理學的角度，使用者標籤其實與人認知世界的方式相一致，人為了簡化思考，通常也會透過概念化的方式簡化事物認知，這種概念認知就是標籤。因此，使用者畫像的內容可以很寬泛，只要是對人的認知，都可以叫做使用者畫像。例如：今天路過這個門口三次的人，也可以是一個標籤，只要他有合適的應用場景。

　　另外，我們需要從概念上加以區分，使用者標籤和使用者透視，一個是個體的認知，一個是整體的標籤分佈，二者都經常被人統稱為使用者畫像。今天我們在這裡說的使用者畫像主要指標籤。

　　使用者畫像的 4 個核心價值

　　一、市場細分和使用者分群：市場營銷領域的重要環節。比如在新品釋出時，定位目標使用者，切分市場。這是營銷研究公司會經常用的方式。

　　二、資料化運營和使用者分析。後臺 PV\UV\留存等資料，如果能夠結合使用者畫像一起分析就會清晰很多，揭示資料趨勢背後的秘密。

　　三、精準營銷和定向投放。比如某產品新款上市，目標受眾是白領女性，在廣告投放前，就需要找到符合這一條件的使用者，進行定向廣告投放。

　　四、各種資料應用：例如推薦系統、預測系統。我們認為：未來所有應用一定是個性化的，所有服務都是千人千面的。而個性化的服務，都需要基於對使用者的理解，前提就需要獲得使用者畫像。

　　使用者畫像的基礎：資料

　　做好使用者畫像需要一定的門檻，一方面是資料的體量和豐富程度，另一方面是技術和演算法能力。今天介紹的經驗基礎是[友盟+]資料，首先簡單介紹一下。[友盟+]有覆蓋線上線下的實時更新的全域資料資源，每天大約有 14 億的裝置，覆蓋數百萬級的網站和 APP 行為，這個龐大的資料量使得我們有豐富的資料資源來生產使用者畫像，同時又要求我們能相應的技術能力來進行處理。

　　資料是如何生產，變成畫像的？

　　結合上圖，使用者畫像生產流程概覽，我們將使用者畫像的生產比喻成一個流水線，就如同將礦石加工成成品的過程。使用者瀏覽網頁、使用 APP、線下行為，這些資料都是礦石，需要提煉、加工成為產品，最後還要透過質檢。

　　這個過程通常有幾個步驟。首先獲得原始行為資料，基於這些資料做特徵抽取，相當於清洗、加工的工作；在機器學習環節，會與外部知識庫有一些互動。實際上機器演算法對人的理解，一定要基於知識體系，就好像我們說的概念。比如，機器給人打汽車相關的標籤，一定要首先知道汽車體系有什麼樣的分類，有什麼車型，有這樣的知識系統我們才能把人做很好的標識歸類。

　　最後，質量檢測，這一步也很重要。一個標籤的質量決定了後期的應用效果，如果前期對人的分析偏了，後期結果就很難做對。

　　使用者畫像生產流程框架

　　上面講的是概念圖，如果具象到實際操作中，是這樣一個框架流程：

　　這裡先留三個懸念：

　　懸念一：從使用者行為日誌開始到標籤產出，為什麼有兩條線？

　　懸念二：標籤體系為什麼只作用在內容標註上？

　　懸念三：為什麼下面的「評估」過程要特別標註出來？

　　1、從使用者行為日誌開始到標籤產出，為什麼有兩條線？我們把畫像分為兩大類：第一類：統計型畫像；第二類：預測性畫像。

　　第一類，統計型畫像是客觀存在，這種都是興趣偏好。比如，使用者每天都在看汽車新聞、搜尋汽車相關的內容，基於這種行為，我們判斷這個使用者對汽車感興趣。這些行為是客觀發生的，因此無所謂正確率，也不需要訓練樣本集。

　　第二類，預測性畫像。需要透過使用者行為做預測，像使用者的性別預測，尤其是挖掘人的內心態度。比如，使用者在消費時，是激進的，還是保守的？有預測就有準確率。所以這裡面有很重要的評估指標，就是正確率，也需要取樣本集。這就是二者的不同，也會有不同的加工流程。

　　常用的一些標籤體系

　　再繼續介紹標籤體系，因為很多同學會問到，「我應該建一個什麼樣的標籤體系？什麼樣的標籤體系是比較好的？」通常我們會把它分為四大類：

　　第一類：人口屬性。比如說性別、年齡、常駐地、籍貫，甚至是身高、血型，這些東西叫做人口屬性。

　　第二類：社會屬性。因為我們每個人在社會里都不是一個單獨的個體，一定有關聯關係的，如婚戀狀態、受教育程度、資產情況、收入情況、職業，我們把這些叫做社會屬性。

　　第三類，興趣偏好。攝影、運動、吃貨、愛美、服飾、旅遊、教育等，這部分是最常見的，也是最龐大的，難以一一列舉完。

　　第四類，意識認知。消費心理、消費動機、價值觀、生活態度、個性等，是內在的和最難獲取的。舉個例子，消費心理/動機。使用者購物是為了炫耀，還是追求品質，還是為了安全感，這些都是不一樣的。

　　如何判斷標籤體系的好壞？

　　在實際構建標籤體系時，大家經常會遇到很多困惑，我列舉 5 個常見問題。

　　第一、怎樣的標籤體系才是正確的？其實每種體系各有千秋，要結合實際應用去評估。

　　第二、標籤體系需要很豐富麼？標籤是列舉不完的，可以橫線延展、向下細分。也可以交叉分析，多維分析。如果沒有自動化的方式去挖掘，是很難做分析的，太多的標籤反而會帶來使用上的障礙。

　　第三、標籤體系需要保持穩定麼？不是完全必要，標籤體系就是產品/應用的一部分，要適應產品的發展，與時俱進。比如，以前沒有共享經濟這個詞，今天卻很熱。我們是不是要增加一個標籤，分析哪些人對共享經濟的參與度高？喜歡共享單車、共享汽車。

　　但是，有一種情況下，標籤要保持穩定。如果你生產的標籤有下游模型訓練的依賴，即我們模型建完後，它的輸入是要保持穩定的，不能今天是 ABC，明天是 BCD。在這種情況下，是不能輕易對標籤體系做更改的。

　　第四個，樹狀結構 or 網狀結構？樹狀結構和網狀結構從名字上就可以看出其分別。網狀結構，更符合現實，但是層次關係很複雜，對資料的管理和儲存都有更高要求。知乎，如果仔細去看它的話題設定，其實是網狀的。

　　網狀的特點就是一個子話題，父級可以不止一個，可能有兩個。比如兒童玩具，既可以是母嬰下分分類，也可以是玩具下的分類，它就會存在兩個父節點之下。樹狀結構相對簡單，也是我們最常用的。網狀結構在一些特定場景下，我們也會去用。但是實現和維護的成本都比較高。比如，有一個節點是第四級的，但它的兩個父節點一個是二級，一個是三級，結構異化帶來處理上的麻煩。

　　第五個，何為一個好的標籤體系？應用為王，不忘初心。標籤是為了用的，並不是為了好玩，最好保證標籤體系的靈活和細緻性。

　　統計型標籤的生產流程

　　再回到剛才說的生產流程上。我先結合下面的圖介紹上半邊，統計型的標籤是怎麼去加工的。

　　首先我們要有行為資料，例如使用者每天看 100 篇文章，有 40 篇是體育的，有 30 篇是汽車的，有 20 篇是旅遊的，還有 10 篇其他的。我推測，你比較喜歡體育、汽車、旅遊。

　　對於這樣的標籤，大概需要什麼流程去做呢？環節一很重要，內容標註。只有知道使用者看的內容是什麼，才能統計偏好。環節二，如何基於使用者行為做聚合統計和歸一化。

　　一個經典的標註例子：網頁標註

　　在做內容標註時，一般會有兩種情況：第一種：有些公司在建自有使用者畫像時會很幸運，例如電商、影片類、音樂類的媒體，它給使用者服務的這些內容是已經分類好的。可以直接用內容的標註來做使用者行為標註。

　　但是，對於一些通用型的內容，比如[友盟+]的資料，會有 PC 瀏覽資料、APP 的使用資料，一定要先了解使用者喜歡看什麼，才能去做下一步的工作。在這裡面，最複雜，也最典型的就是網頁的內容標註。

　　標籤的最終生成：行為統計

　　根據使用者的行為，統計標籤數值，歸一化。比如，我們判斷使用者是喜歡運動、還是服飾，會將他看來多少相關網頁、使用了多少 APP 進行累加，在除以一個總累積，得到一個標籤得分。

　　這裡面有幾個點需要關注：

　　第一、統計量的選取。可能是瀏覽數量、瀏覽時長、瀏覽頻度、複合關係等。舉個複合關係的例子，對於某個商品類目的偏好，你可以將瀏覽、搜尋、收藏，購買等行為統計量加權在一起考慮。

　　第二、個體內的可比性。個體使用者的不同標籤間具有可比性。舉個例子，我有兩個標籤：閱讀、旅遊。我的閱讀標籤是 0.8 分，旅遊是 0.6 分，代表我更傾向於去閱讀，而不是去旅遊？如何保證這一點呢？在上面公式裡將個體的行為總和作為分母就可以了。

　　第三、垂類內的可比性。一個垂類內不同使用者的相同標籤具有可比性。

　　例如，我的動漫得分是 0.8，你的是 0.6，表示我比你要更喜歡動漫。那麼分母就是選取整個動漫類行為的總和。比如說，今天全國使用者在 B 站上一共 100 萬小時，你有 1 個小時，你是百萬分之一，他花了 2 個小時，大約是百萬分之二，最後再做一個歸一化，就會產生一個類內可比的得分。

　　我們剛剛說的是絕對化的值，還有一個簡單的做法就是做排序，基於使用者的使用時間做排序，這樣也可以。

　　但是排序和歸一化到底有什麼不同？排序只代表相對性，而剛才說歸一化代表了強弱， 我的得分是 0.8 和你是 0.6，就表示偏好強度上我比你高了 30%，而排序則不能反映這樣的比例。

　　11、統計型標籤生產要點回顧

　　1、行為資料。瀏覽、使用、點選、購買、LBS 等，透過行為資料反映人的偏好傾向；

　　2、標籤體系。根據實際需要進行設定。可以參考《消費者行為學》、電商類目體系、應用市場體系、媒體資訊體系等；

　　3、內容標註。把行為相關的內容抽出來做分析，把標籤體系先打到它們身上，再累積到「人」身上；

　　4、得分歸一化。明確歸一化的目標，選擇所需的歸一化方法。舉個例子，推薦適合用個體內可比較的得分，不管 A 看會某個內容用了多少時間，A 所看到最多的內容就優先推薦給 A，不用和其他人比較；

　　但在投放廣告上，就要考慮使用者在這個商品上的傾向度有多高，需要使用者間可比較的得分。

　　預測型標籤的生產流程

　　預測性標籤的生產流程：特徵抽取→監督學習、樣本資料→評估→標籤產出，這也是經典的機器學習流程。

　　特徵工程

　　特徵工程，是機器學習的關鍵過程之一。最重要的是提取不同側面的特徵。我們以移動端使用行為可抽取的部分特徵為例：

　　1、APP 使用事實特徵：使用者 30 天內開啟 APP 的天數、使用者 180 天內開啟 APP 的天數。這兩個資料都會作為特徵，考慮使用者短期和長期的情況。

　　使用者 30 天內使用 APP 時長佔比、使用者 180 天內使用 APP 時長佔比。剛才說的是次數，這塊是時長，使用者可能反覆開啟，但是總時長很短。

　　2、興趣特徵：雖然資訊有損失，但是泛化效果更好。舉個例子，你是 A 站使用者，他是 B 站使用者，理論上講，如果我們用最底層的資料，你們兩個人是不太一樣的，但某種程度上，他們都是對二次元感興趣的人；

　　近期使用者興趣標籤歸一化值、長期使用者興趣標籤歸一化值。使用者長短期基於興趣標籤下使用不同 APP 的熵值、歷史某類 APP 時間消耗佔比變動比例。其實反映了我們要看這個分佈，以及分佈的趨勢性，你過去關注度高，現在關注度減弱，和你過去關注度不高，現在關注度高，其實這兩個是完全對應不同的人，這也是我們參考的特徵。

　　3、裝置與環境特徵：近期使用的裝置品牌、近期使用的裝置型號；工作日時間段內 Wi-Fi 使用時間分佈、休息日時間段內 Wi-Fi 使用時間分佈（工作日與假日的區分）。

　　模型訓練與結果評估

　　1、模型選擇。有有監督的分類演算法：邏輯迴歸、SVM、決策樹、Bagging、深度學習；

　　2、二分類 or 多分類。二分類比較簡單，多分類則有不同的拆分策略。舉個例子，把人分為男女，是二分類的問題；分為年齡段，就是多分類的問題，我們在機器學習當中也有不同的做法，OvO（一對一）、OvR（一對其他）、MvM（多對多）。

　　3、結果評估。評估指標包括：正確率、召回率、應用效果。但是對於統計型標籤來說無正確率，召回率看閾值，今天你只看一個汽車的型號，理論上我也可以給你打一個標籤，但是分值非常低，這個分值到底要不要算做這個標籤的人，要看中選什麼樣強度的人。預測型標籤，一般看 Precision，Recall，F-Score，ROC。

　　4、Ranking 任務。一類特殊的定製化標籤。針對特定場景，如對電話營銷需要按照可能性排序打電話。套用上述模型，可以用最終得分來做 Ranking。

　　15、關於標籤評估的延展

　　標籤的生產不是目的，使用才是。正確率≠效果，舉個例子：喜歡看車不代表是試駕購車的目前人群。

　　第一，使用者分層的評估。針對於重點人群進行評估，不同人群分層進行評估；第二，從全域性進行評估。不要只侷限於樣本集合的評估，參看一些全域性統計資料。例如，人口屬性的分佈和統計局的結果是否相符？第三，有效果反饋的應用。將標籤直接應用於使用場景中檢驗效果。例如，進行營銷的定向投放，測試點選率；第四，利用其它資料佐證。使用其他行為資料來驗證標籤的有效性。例如，在電商環境中後續的行為差異來評估顯著性。

　　一個快速建模框架

　　我們今天不再強調標籤豐富度，而是快速建模的能力。快速建模怎麼做到？這套系統在[友盟+]比較完備，使得我們收到一個樣本就可以很快訓練模型，這個流程最快 3 個小時就能夠把標籤算出來。

　　使用者畫像的應用

　　Data -> Insight -> Action->Data->…

　　第一步，先有資料，就像標籤生產出來，要有資料的過程；第二步，分析，洞察。洞察並不是最終目的，因為洞察只是得到一個結論或者方向；第三步，開始應用；應用後又帶來新的資料，從而形成資料的閉環。舉個例子，廣告怎樣的群體點選了，資料被反饋回來，下一個迴圈可以進行調整，不斷地迭代，最佳化整個效果。

　　DIP營銷服務流程

　　關於上述流程的實際使用，結合[友盟+]DIP 資料智慧平臺講一下營銷服務流程是如何做的。

　　左上面是我們一些資料，例如：客戶上傳資料後，我們會有一個匹配的過程，把所有資料打通連線。上傳、匹配之後，會對這些資料做人群分析。比如說寶馬 X1 今年剛上市，他們把去年購買 X1 的使用者都上傳上來，我們會分析這樣的使用者在哪些方面是有特性的，比如年齡段、地域分佈、收入、偏好。有了這樣的分析後，我們可以選擇相應的人群，基於歷史的偏好、特徵，然後再去投放；如果中間我們會發現人群量不夠，最初選擇 10 萬人可以放大到 100 萬人。最後輸出到媒體、RTB 等渠道商。做預算，看效果，將效果資料迴流，再去迭代，以進一步提高投放的精準率。這是我們常用的一個流程。

　　在舉個實際的例子，如果要做一個新產品的傳播推廣，這時需要做定向投放。我們先要對潛在使用者要進行分析，例如對於科技產品非常感興趣的人，我們發現他每天 8、9 點特別活躍，透過進一步分析，他會和哪些媒體做觸達，或者他看不看電視會不會留意到地鐵裡面的廣告，這也是一個觸達渠道，以及看什麼樣型別的，看資訊、社交、八卦，這個不太一樣。要找到受眾，應該到哪找？比如說去這種有態度的網易新聞，還是個性化的今日頭條，或者說騰訊新聞，這都需要進行分析。

　　基於上面的分析之後，再做結合分析。舉個例子，你對科技感興趣，那你的手機是不是到了更新期，你手機大概用了三年，應該到了更新期，就可以對這樣的特定人進行投放。把人圈出來，投放、曝光，曝光之後我們去看營銷的結果，然後返回來繼續分析，會不會對其他內容感興趣，再去做下一輪分析。

　　這就是我們之前做的一系列方法的一個應用。

　　最後關於資料應用我再給出一些通用型的建議：

　　第一、分析：

　　1、結合業務場景去選擇分析維度：如果你是給中年婦女推薦保健品，你去分析她們喜歡不喜歡二次元，這就非常說不通了。

　　2、不要只是簡單的看畫像分佈，一定要做對比。

　　3、例如，與大盤對比情況：TGI。上圖是我們分析一個 APP 內的購買人群。紫色的線是人群的分佈，年齡段的分佈。我們看到 18-30 歲之間的人很多，感覺還不錯。但是，如果你做一下大盤情況，APP 的使用者大多是年輕人，因為本身這個產品有一個年齡偏小的分佈特徵。透過分析對比之後發現，TGI 比較高是 30-39 歲的人，這個範圍的人才是在購買人群裡面是顯著的，這個群人才是你去做運營活動、投放的人群。

　　分析，一定要去做對比，單純看分佈是並沒有太多資訊含量。不對比看不出來差異。

　　4、環節的對比。哪些人我觸達了，哪些人到這裡落地了，哪些人註冊了、哪些人真正瀏覽、哪些是留存、哪些是付費，每一個環節你都可以做這樣的分析。

　　第二、精準投放（Action）。這是我們今天做標籤非常大的一類應用。這時候大家可能會發現，我們做品牌廣告、效果廣告是不同的，舉個例子，品牌廣告我們就會關心 TA 濃度，關注我投放廣告的人性別怎麼樣、年齡分佈怎麼樣。效果廣告是不一樣的，效果廣告通常很直接，你這個人是不是點了，最終 CTR 高不高，最終購買 ROI 高不高，這種一定是你最直接的興趣是什麼，你什麼性別不重要，我就想知道你要不要。

　　另外一點，直覺未必靠譜，一定要透過反饋來檢測，就是剛才說我們為什麼要資料閉環，比如說，有一個商品設計者說，我這個產品目標是吸引白領女性，實際上他上市場去賣的時候發現，買他的男性大學生最多，跟他想的根本不一樣。

　　如果你一直持續的給白領女性做廣告投放，實際上效果可能不是最優的，反而你做校園活動會達到更好的效果。

　　甚至說，你可以基於你的使用者場景做專屬標籤，以及你可以透過人群放大來做處理。舉個例子說，我今天有新的車型上市，一個方法是，先選取對汽車感興趣的人，或者 SUV 感興趣的人，就可以去做投放，這個效果就可能不是最優的，更優的情況是針對你這個 case，去針對性的做訓練，針對性的選取跟你相關的人，通常效果上比通用的標籤選取更好，這時候我建議如果你特別強調你的效果，就去試試訓練專屬的標籤。

　　更多詳細講解，請見知乎 Live

　　以上就是本次公開課的關鍵內容，更多演示請點選「極客公開課•Live」第十四期檢視獲取

　　(2017-09-22)

　　（稿件來源：搜達足球 梁正）

　　傳奇的締造，其實不需要耗費太長的時間。這句話，特別適用於張恩華在格林斯比的14周。

　　一段范志毅回憶水晶宮歲月的影片在社交網路被瘋狂傳播，作為留英球員的先鋒代表，範大將軍不是孤獨的，除了孫繼海的陪伴，在2000年末，還有一名中國球員也來到了大不列顛，他“黑子”張恩華。

　　相比於范志毅在英國多年的闖蕩，張恩華短暫的三個多月，雖然顯得微不足道，但其產生的巨大效應，絕不亞於任何一名中國的留洋球員。

　　早在1998年，張恩華就曾和范志毅一起試訓南安普頓，不過當時的聖徒主帥達夫·瓊斯對兩位中國國腳並不感冒。

　　南安普頓的不愉快，沒有擊潰兩位中國最優秀的中後衛，范志毅很快就重返英倫，他和孫繼海一起加盟了維納布林斯執掌的水晶宮。

　　而比范志毅小了4歲的張恩華則在等了兩年後，才再次迎來重返英國足壇的機會，格林斯比向他伸出了雙手。

　　由於有著名的漁港，因此格林斯比有著“水手”之稱。在張恩華加盟之前，水手在英甲（當時是英格蘭第二級別聯賽）保級圈苦苦支撐，球隊僅有的三名中衛均因傷高掛免戰牌。

　　格林斯比全隊上下為此焦頭爛額，球迷們希望俱樂部能從英超球隊的預備隊租借一兩名年輕人來填補後防的空虛。

　　但時任球隊主帥勞倫斯卻給了球迷們一個不大不小的驚喜，一個從未聽說過的名字出現在了水手陣營中，中國國腳張恩華，以租借的形式為水手效力3個月。

　　張恩華的加盟，瞬間帶來了立竿見影的效果。2000年12月16日，張恩華為水手上演處子秀，並率領球隊在主場2比0擊敗諾維奇。

　　“黑子”極具侵略性的風格，很快得到了格林斯比球迷的認可，他出色的防守也解決了球隊後防人員吃緊的問題。在隨後的幾場比賽中，水手接連擊敗普雷斯頓和朴茨茅斯等隊。由於張恩華的到來，格林斯比的保級之路出現了轉機。

　　2001年2月17日，張恩華風潮再一次席捲布倫德爾公園球場。在主場對陣伯恩利的聯賽中，張恩華打進自己在英甲的首粒進球。

　　在6044名球迷的見證下，張恩華的進球幫助球隊1比0戰勝了伯恩利。而“黑子”進球后的瘋狂慶祝也被ITV選進了《週日進球》欄目的片頭。

　　僅僅三天後，張恩華再次搶佔頭條，在對陣博爾頓的比賽中，他強有力的頭球破門，讓球隊在客場拿下極其艱難的一分。

　　由於只和球隊簽下三個月短期租借合同，張恩華在2001年3月31日踢完客場對陣諾維奇的比賽後，就重新回到了大連實德。

　　儘管格林斯比上下都竭盡全力希望能將張恩華留下，並開出了天價的週薪，但限於各方面原因，張恩華只能無奈告別格林斯比。

　　在短短14周裡，張恩華一共為水手踢了17場比賽，攻進3球，2次當選比賽最佳球員，在後防統治級的發揮，讓他在短時間內即成為球迷的最愛，“傳奇”一詞不止一次出現在當時的水手球迷論壇中。

　　張恩華在這三個月的表現，也為格林斯比最終在當季成功保級立下汗馬功勞。因此，不僅球迷，就連格林斯比當地媒體也對張恩華的離開依依不捨，《格林斯比電訊報》就撰文稱，“張恩華是格林斯比一筆寶貴的財富。”

　　儘管只為球隊效力了17場比賽，但張恩華的表現已經足以被水手列入俱樂部名宿的行列。在球隊維基百科的名宿詞條上，張恩華的名字就和曾經執教球隊的名帥香克利一起出現。

　　張恩華在格林斯比的歲月雖然短暫，但這位中國國腳用實力證明了自己。

　　在離開格林斯比近十年後，英國老牌足球雜誌《When Saturday Comes》在2010年就發表文章稱，“張恩華在格林斯比的14周或許不是他職業生涯的頂點，但這段日子不應該被球迷所忘記。”

　　的確，張恩華在英倫賽場的時光雖然只有短短的14周，但他留下了太多美好的回憶，除了球場的完美髮揮，他的兒子正是在格林斯比出生。

　　2012年，張恩華以客人的身份重回格林斯比，並在球隊與溫布林登的比賽日和球迷見面。對於張恩華12年後重返格林斯比，當地媒體動情地表示，“張，歡迎回家。”

　　時至今日，張恩華的名字依然在格林斯比球迷心中，不時有球迷在Twitter打聽張恩華的動向，他們對於這位俱樂部歷史上的中國國腳，依然無比熱愛。

　　而在俱樂部今年7月完成的名宿塗鴉牆上，張恩華的畫像赫然在列。

　　以下為網友評論：

　　網友“Patrick怕吹客吾”：看過黑子當年在英甲的三個頭球影片,其中有一個進球后跑向場邊和球迷抱在一起,場面激動人心,三個進球帶來五個積分,重要性不言而喻

　　網友“風中搖曳的燈光”：真正的球迷懂得珍惜球員給球隊帶來的影響,不像部分偽球迷,除了謾罵一無所知。感謝異國他鄉的球迷,還知道張恩華,記得他