在廣告定向領(lǐng)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(chǎn)品需要了解的重要內(nèi)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(lǐng)域非常經(jīng)典的灰盒定向策略“l(fā)ook alike”目標(biāo)人群擴展策略，其擁有定向能力強，用戶擴展精準(zhǔn)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(yè)中指代的就是智能化和可解釋性，像白盒DMP是客戶根據(jù)數(shù)據(jù)平臺標(biāo)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(yōu)選黑匣子”。

廣告平臺根據(jù)廣告投放的主體item優(yōu)中擇優(yōu)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(xiàn)與怎么定義我們在文章中詳細(xì)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(yīng)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(biāo)簽和數(shù)量規(guī)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(jié)果可解釋性較強，也容易做“人群投放價值”的數(shù)據(jù)分析與復(fù)盤。

但是DMP投放也存在一定的缺點：

1）人群投放規(guī)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(xiàn)。

2）平臺流量分配效率無法最優(yōu)，DMP少數(shù)人群包投放馬太效應(yīng)明顯，少數(shù)優(yōu)質(zhì)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(dǎo)致很多廣告主無法拿量，而對于少數(shù)冷門DMP人群，廣告主投放較少，廣告投放應(yīng)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(yōu)。

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(yīng)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(xiàn)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(guān)聯(lián)性的相似人群的技術(shù)。通俗易懂的說，就是在保證精準(zhǔn)定向廣告主營銷標(biāo)的人群的同時，擴大人群的投放覆蓋面。當(dāng)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(yī)藥購買者】，按照其背后的規(guī)律（例如青春期、壓力大等），Look-alike會找到其對應(yīng)的關(guān)聯(lián)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(jù)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(biāo)人群擴展技術(shù)的核心基礎(chǔ)，我們需要依據(jù)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(xiàn)

1. 常見的機器學(xué)習(xí)Look-alike策略

網(wǎng)易云音樂種子人群擴策略示意

行業(yè)當(dāng)中用機器學(xué)習(xí)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(guān)性的建模思路去做擴展。

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

人工選擇標(biāo)簽擴散：DMP的人群圈選一般是多個標(biāo)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(biāo)簽泛化找到機會人群。

基于標(biāo)簽的協(xié)同過濾：在標(biāo)簽擴散的基礎(chǔ)上，采用基于User-CF協(xié)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(quán)平均，詳情可見Arthur關(guān)于推薦系統(tǒng)召回的文章。

基于K-Means 聚類的擴散：根據(jù)用戶畫像或標(biāo)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(biāo)簽內(nèi)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(yīng)的低維度向量當(dāng)中，再根據(jù)k-means做局部敏感的hash聚類，根據(jù)用戶屬于哪個聚類再進行對應(yīng)的推薦

目標(biāo)人群分類方法：以種子人群為正樣本，候選對象為負(fù)樣本，訓(xùn)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(wǎng)易云音樂Look-alike目標(biāo)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(wǎng)易云音樂Look alike獲取種子人群向量思路

優(yōu)點：用戶向量可通用，能服務(wù)于所有廣告主的擴量。

難點：如何有效地學(xué)習(xí)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(tǒng)計CTR作為權(quán)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(quán)重對相似度進行加權(quán)；
3. c選擇選用戶與K個聚類中心的加權(quán)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(guān)于look-alike定向策略總結(jié)與思考

Look-alike策略的誕生其實在算是廣告定向領(lǐng)域劃時代的策略產(chǎn)品標(biāo)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(zhuǎn)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(chǎn)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(xì)的了解Look-alike是如何實現(xiàn)“準(zhǔn)而全”的種子人群擴展，以及最后線上實驗如何達(dá)成正向的效果。