中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

在廣告定向領域，look-alike策略的誕生幫助廣告主投放保持了營銷確定性范圍，有助于投放效果提升，因此，look-alike定向策略也是投放策略產品需要了解的重要內容之一。本篇文章里，作者便針對look-alike策略進行了拆解分析，一起來看。

講完白盒定向DMP策略，我們接下來講講廣告定向領域非常經典的灰盒定向策略“look alike”目標人群擴展策略，其擁有定向能力強，用戶擴展精準等特點。

首先大家需要理解一下所謂的“白灰黑”盒定向策略一般在行業中指代的就是智能化和可解釋性，像白盒DMP是客戶根據數據平臺標簽圈選的人群（代表可解釋性最強，智能化能力最弱），智能定向則是一個“優選黑匣子”。

廣告平臺根據廣告投放的主體item優中擇優圈選定向人群圈投放，而Look-alike介于兩者之間平衡（兼顧可解釋性與效果），所以我們稱之其為灰盒定向策略。

具體怎么實現與怎么定義我們在文章中詳細介紹，文章下篇我們將介紹Look alike策略思想在微信RALM模型框架在看一看中的應用。

一、Look-alike定向策略誕生背景&定義

1. Look-alike定向策略誕生背景

前文給大家講到了DMP白盒人群投放有投放人群標簽和數量規模確定性的特點，廣告主明確了自己的廣告計劃主體（商品item、視頻）被展示的廣告用戶對象，營銷結果可解釋性較強，也容易做“人群投放價值”的數據分析與復盤。

但是DMP投放也存在一定的缺點：

1）人群投放規模有限&人群活躍度不可控，DMP投放包人群圈選范圍過窄或者是人群活躍度偏低，例如我圈選的1W人明天都不來京東瀏覽，那么我的廣告無法獲得任何展現。

2）平臺流量分配效率無法最優，DMP少數人群包投放馬太效應明顯，少數優質的定向人群，例如京東-plus高消費人群包，廣告主集中高價投放，導致很多廣告主無法拿量，而對于少數冷門DMP人群，廣告主投放較少，廣告投放應以UV粒度而不單單以DMP人群包視角投放整體效率價值才會更優。

基于此，為了兼顧廣告主圈選人群的一定的可控性與可解釋性，同時保證廣告計劃正常拿量&投放效果，Look-alike廣告策略應運而生。

2. Look-alike定向策略定義

騰訊廣告自動擴量工具

如騰訊廣點通的自動擴量功能所示，Look-alike即相似人群擴展，即基于廣告主提供的現有DMP人群包作為種子人群，通過一定的算法評估模型策略，找到更多擁有潛在關聯性的相似人群的技術。通俗易懂的說，就是在保證精準定向廣告主營銷標的人群的同時，擴大人群的投放覆蓋面。當然，平臺一般也會提供類似“不可突破定向/屏蔽定向”等功能，限定某些Look-alike的探索邊界，保證廣告主營銷范圍可控性。

“ 例如廣告種子人群的用戶投放選擇的是【青春痘皮膚醫藥購買者】，按照其背后的規律（例如青春期、壓力大等），Look-alike會找到其對應的關聯性群體【熬夜上班族、游戲玩家、世界杯球迷】等等”在挖掘相似人群的過程中，Look-alike主要依據用戶基本屬性及其擁有的行為信息相似性分析源頭，找到相似人群。

DMP人群是Look-alike目標人群擴展技術的核心基礎，我們需要依據種子人群的特征畫像，用戶行為來擴展，我們又叫做DMP人群為種子人群（seed user）。

種子人群擴展原理示意

二、look-alike定向策略的具體實現

1. 常見的機器學習Look-alike策略

網易云音樂種子人群擴策略示意

行業當中用機器學習的防范去做Look-alike的策略其實有非常多的方式，主要也是充分利用DMP種子人群相關性的建模思路去做擴展。

基于社交關系的擴散：以具有相似社交關系的人也有相似的興趣愛好/價值觀為前提假設，利用社交網絡關系進行人群擴散，一般平臺會通過登錄QQ、手機通訊權限或者其他社交媒體粉絲、古關注等信息進行種子人群的擴散。

人工選擇標簽擴散：DMP的人群圈選一般是多個標簽的組合人群，如果希望去做相似人群的，可以對存量的人群進行畫像的解析，然后再對標簽泛化找到機會人群。

基于標簽的協同過濾：在標簽擴散的基礎上，采用基于User-CF協同過濾算法，找到與種子人群相似的機會人群，例如在電商平臺中，有點擊、加購以及入會收藏多個相似商品之間的用戶，計算相似余弦距離，再進行加權平均，詳情可見Arthur關于推薦系統召回的文章。

基于K-Means 聚類的擴散：根據用戶畫像或標簽，采用層次聚類算法（如BIRCH或CURE算法）對人群進行聚類，通過畫像、標簽內容去找到聚類相似性，再過制定相似的閾值從中找出與種子人群相似的機會人群。

基于向量相似度embedding方法：把用戶user embedding，映射到對應的低維度向量當中，再根據k-means做局部敏感的hash聚類，根據用戶屬于哪個聚類再進行對應的推薦

目標人群分類方法：以種子人群為正樣本，候選對象為負樣本，訓練分類模型，然后用模型對所有候選對象進行篩選，涉及PU Learning的問題。

2. 網易云音樂Look-alike目標人群擴展思路——基于向量embedding方法簡述

基于用戶向量表示召回相似用戶，計算種子用戶的向量表示與候選用戶的相似度，基于相似度打分來召回相似用戶。

網易云音樂Look alike獲取種子人群向量思路

優點：用戶向量可通用，能服務于所有廣告主的擴量。

難點：如何有效地學習到用戶向量表示。

如何衡量種子人群相似度？

① 種子人群向量聚類；使用種子人群的K個向量聚類中心表示種子人群。

② K個聚類簇的重要程度衡量；增加種子人群每個聚類簇的歷史統計CTR作為權重。

③ 候選用戶與種子人群的相似度打分：

1. 計算候選用戶與K個聚類中心的向量余弦相似度；
2. 使用K個聚類簇的權重對相似度進行加權；
3. c選擇選用戶與K個聚類中心的加權相似度的最大值作為候選用 戶與種子人群的相似度打分。

三、關于look-alike定向策略總結與思考

Look-alike策略的誕生其實在算是廣告定向領域劃時代的策略產品標志，在幫助廣告主投放保持營銷確定性范圍的同時，提升了投放的效果，提升了廣告計劃投放的拿量獲取PV、和轉化效果的能力，是DMP定向往前邁入的一大步，也是定向策略的重點研究方向。

廣告投放平臺中的定向策略也是投放策略產品的三大方向之一，不了解定向策略也不算真正了解投放平臺策略。

下一篇我們會借助微信看一看的RALM框架來詳細的了解Look-alike是如何實現“準而全”的種子人群擴展，以及最后線上實驗如何達成正向的效果。