在传统广告中，受众只能被动接受广告，无法量化和跟踪广告效果，而在程序化广告中，广告主和受众之间能够实现双向互动，广告主能通过曝光、互动、点击等多个维度量化和评估广告效果。与广告主推广的产品和服务相契合的受众，往往有着不错的广告的效果。随之而来的，广告主对于受众定向也产生了越来越强烈的需求。
在广告投放过程中，绝大部分DSP平台都支持通过标签选取（用户兴趣定向）或LBS（地域定向）等方式为广告主筛选目标受众群，但筛选出来的人群规模不易控制，需要广告优化师进行反复的尝试寻找最优的目标受众群。
那么，如何更数字化自动化选取目标受众呢？本期技术专栏，AdBright广告带大家解读DMP中依赖大数据和机器学习进行目标用户拓展的Lookalike算法。
一、定义
Lookalike，即相似人群扩展，是基于广告主的现有用户，通过一定的算法评估模型，找到更多拥有潜在关联性的相似人群的技术。值得注意是，lookalike不是某一种特定的算法，而是一类方法的统称，这类方法综合运用多种技术，比如协同过滤、node2vec等，最终达到用户拓展目的。
二、算法原理
对于特征和模型算法，不同的广告技术公司各有差异，特征取决于其DMP有哪些数据，主要方式有以下三种：
利用用户画像进行人群扩散：给种子用户打标签，利用相同标签找到目标人群
利用分类模型进行人群扩散：种子用户为正样本，候选对象为负样本，训练分类模型，然后用模型对所有候选对象进行筛选。
利用社交网络进行人群扩散：利用种子用户的好友关系，将其标签传给社区中的好友，从而实现人群扩散
这里以分类模型为例，人群拓展过程如下：
首先，提交数据。广告主需向DMP提交一系列客群范围，一般以设备码、电话号码等形式存在，我们称之为种子用户。
然后，进行建模。种子用户在和DMP平台所拥有的用户数据进行匹配，排除非DMP用户，将剩下的种子用户作为机器学习的正样本。负样本会从平台的非种子用户进行选取，将其转化为一个二分类的模型，由正负样本组成学习的样本，训练模型。
最后，输出拓展用户。根据广告主所需要的目标用户量级，按模型机制输出数据。根据扩散量级需求，量级越小，包含的用户群体相似程度越近。广告主可使用拓展后的用户数据包进行广告投放。
三、总结
就中国市场而言，人口结构的变化带来消费升级，促进了消费者个性化和对品质的追求，传播媒介去中心化信息传递，在分散用户的注意力的同时也增加了广告主捕捉消费者的难度。如何在合适的时间把合适的内容推送到合适的受众面前，也已成为广告主对广告技术公司的普遍要求。
因此，作为辅助广告主和广告优化师获取精准目标人群的有力工具，Lookalike算法几乎成为了所有提供广告DMP数据服务的公司的标配，并随着近些年算法和模型研究的深入，不断的优化和完善。
延伸阅读：
网友评论