什么是lookalike

lookalike算法是计算广告中的术语，不是单指某一种算法，而是一类方法的统称。其目的就是为了实现人群包扩充。

简单场景

广告主需要对100w人投放，但是，从选取的基础数据包中，只有30w，那么如何满足100w的投放需求，这时，就需要通过lookalike的方式进行扩充，既要保证人群数量，又要确保人群的相似。

如果只是简单的从公共池中选取70w，完成100w的匹配，很有可能出现无效用户。例如：高级消费品，尽可能的投放给中高级消费，且具有该品类偏好的人群。

如何进行lookalike

第一种，显式定位，广告主根据标签进行人群选择。

这种方式，最为简单，高效。广告主通过用户画像标签，筛选性别，年龄，品类偏好等。可以直接快速达到人群包提取目的。

但是，这种方法，又具有一定局限性，未必男性就不关心女性用品，也未必食品偏好的人群，就不关心护肤用品。标签的产出，本身基于用户行为，但单纯标签筛选，并不能把潜在相关用户提取出来。

计算广告中的lookalike是如何实现的？

因此，就需要采用第二种方法。

第二种，隐式定位，通过机器学习的方法，对种子用户进行建模。

以30w人群，扩展100w为例。我们需要将30w用户的共有特征提取出来，内容包含性别，学历，年龄，职业，常住地，购买力，RFM分值，最近浏览加购信息等。该人群特征提取完成之后，成为种子包，标记为正样本。

接下来，我们需要有一个基础用户包，用于70w的人群扩展，可以是全量数据，可以是近三个月，近一个月的活跃用户，也可以是品类偏好用户，数据内容取决于具体业务。数据规模，取决于扩展人群数量。需要扩展70w，基础包数量，可以是300w，500w，或者更多。当然了，不是越多越好，数量越多，意味着后期模型转换耗时会更长。

假设基础包用户500w，我们需要从500w中随机抽取30w用户，标记为负样本。

接下来，就是一串的特征处理，StringIndexer，VectorAssembler，OneHotEncoder，QuantileDiscretizer。总是，就是将离散型字符变量整数化，离散型整数变量编码，以减少不同类别之间的距离差，把连续性变量进行分箱，调整为离散型变量，以减少距离差。离散化、归一化、等分位，都是常用的特征处理手段，spark ML中提供了一堆。。。

特征处理完成后，进行模型训练，这里的分类算法，可以是LR，SVM或是其它，不同厂的做法都不相同。效果好就行。

模型训练完成后，重要环节，需要对500w的基础包进行transform，模型会对500w数据中的每条数据进行分类，并预测概率值。从500w数据中，抽取正样本，并按照概率从高到低排序，取出top 70w即可。

最后，将30w人群与70w人群进行合并，标记100w的扩展人群包，用于线上投放。

计算广告中的lookalike是如何实现的？

可能有读者已经意识到，直接把基础包中，随机抽取30w标记为负样本，也许不妥，有可能存在与种子包人群高相似用户。解决这个问题，只有一个办法，就是多跑几次。先以第一次的模型，对30w基础包用户进行分类，产出top，重新修正标记，再从公共池中，抽取等量用户补充，不断迭代，最终会训练一个理想模型出来。

使用技术

机器学习包很多，可以是基于python的sklearn，亦可是spark的mllib、ML，但笔者推荐pyspark。原因是python在数据处理上异常高效，但是无法解决分布式处理的问题，python代码只能在单机上处理。而spark本身基于分布式处理，速度上显然要快，但是spark自身支持的语言scala，又没有类似numpy，pandas这样的高效类库。因此pyspark就是不二之选。

后记

在机器学习中，模型的好坏，极大程度上取决于特征的选取及处理。算法上，可以采用一般的分类算法，亦可采用深度学习中的多层神经网络相关算法。总之，方法很简单，需要的是，对模型进行不断的优化。

以上有任何问题，可留言，或关注同名公众号“IN科技”。