“LookAlike”究竟代表着何种含义？

Lookalike，也就是相似人群扩展，指的是依据种子用户，借助特定的算法评估模型，去探寻更多存在潜在关联的相似人群的一项技术。需要留意的是，lookalike并非是某一种单一的算法，而是一系列方法的统称，这些方法综合采用了多种技术，像协同过滤、node2vec 等等，最终实现用户拓展的目标。

算法原理

在特征和模型算法方面，不同的广告技术公司存在差异，特征取决于其 DMP 所拥有的数据，主要有以下三种方式：

• 通过用户画像来实现人群扩散：为种子用户添加标签，凭借相同的标签来锁定目标人群。
• 依靠分类模型来进行人群扩散：将种子用户设为正样本，候选对象当作负样本，训练分类模型，之后利用模型对所有候选对象进行筛选。
• 利用社交网络达成人群扩散：借助种子用户的好友关系，把其标签传递给社区中的好友，进而实现人群的扩散。

这里以分类模型为例，人群拓展的过程如下：

首先，提交数据。广告主需要向 DMP 提交一系列的客群范围，通常以设备码、电话号码等形式呈现，我们将其称为种子用户。

然后，开展建模。种子用户与 DMP 平台所拥有的用户数据进行匹配，排除不属于 DMP 的用户，把剩余的种子用户当作机器学习的正样本。负样本会从平台的非种子用户中选取，将其转变为一个二分类的模型，由正负样本共同构成学习的样本，对模型加以训练。

最后，输出拓展用户。按照广告主所需的目标用户量级，依据模型机制输出数据。根据扩散量级的需求，量级越小，所涵盖的用户群体相似程度就越高。广告主能够运用拓展后的用户数据包来进行广告投放。