在广告定向领域，look-alike策略的诞生帮助广告主投放保持了营销确定性范围，有助于投放效果提升，因此，look-alike定向策略也是投放策略产品需要了解的重要内容之一。本篇文章里，作者便针对look-alike策略进行了拆解分析，一起来看。

讲完白盒定向DMP策略，我们接下来讲讲广告定向领域非常经典的灰盒定向策略“look alike”目标人群扩展策略，其拥有定向能力强，用户扩展精准等特点。

首先大家需要理解一下所谓的“白灰黑”盒定向策略一般在行业中指代的就是智能化和可解释性，像白盒DMP是客户根据数据平台标签圈选的人群（代表可解释性最强，智能化能力最弱），智能定向则是一个“优选黑匣子”。

广告平台根据广告投放的主体item优中择优圈选定向人群圈投放，而Look-alike介于两者之间平衡（兼顾可解释性与效果），所以我们称之其为灰盒定向策略。

具体怎么实现与怎么定义我们在文章中详细介绍，文章下篇我们将介绍Look alike策略思想在微信RALM模型框架在看一看中的应用。

一、Look-alike定向策略诞生背景&定义

1. Look-alike定向策略诞生背景

前文给大家讲到了DMP白盒人群投放有投放人群标签和数量规模确定性的特点，广告主明确了自己的广告计划主体（商品item、视频）被展示的广告用户对象，营销结果可解释性较强，也容易做“人群投放价值”的数据分析与复盘。

但是DMP投放也存在一定的缺点：

1）人群投放规模有限&人群活跃度不可控，DMP投放包人群圈选范围过窄或者是人群活跃度偏低，例如我圈选的1W人明天都不来京东浏览，那么我的广告无法获得任何展现。

2）平台流量分配效率无法最优，DMP少数人群包投放马太效应明显，少数优质的定向人群，例如京东-plus高消费人群包，广告主集中高价投放，导致很多广告主无法拿量，而对于少数冷门DMP人群，广告主投放较少，广告投放应以UV粒度而不单单以DMP人群包视角投放整体效率价值才会更优。

基于此，为了兼顾广告主圈选人群的一定的可控性与可解释性，同时保证广告计划正常拿量&投放效果，Look-alike广告策略应运而生。

2. Look-alike定向策略定义

腾讯广告自动扩量工具

如腾讯广点通的自动扩量功能所示，Look-alike即相似人群扩展，即基于广告主提供的现有DMP人群包作为种子人群，通过一定的算法评估模型策略，找到更多拥有潜在关联性的相似人群的技术。通俗易懂的说，就是在保证精准定向广告主营销标的人群的同时，扩大人群的投放覆盖面。当然，平台一般也会提供类似“不可突破定向/屏蔽定向”等功能，限定某些Look-alike的探索边界，保证广告主营销范围可控性。

“ 例如广告种子人群的用户投放选择的是【青春痘皮肤医药购买者】，按照其背后的规律（例如青春期、压力大等），Look-alike会找到其对应的关联性群体【熬夜上班族、游戏玩家、世界杯球迷】等等”在挖掘相似人群的过程中，Look-alike主要依据用户基本属性及其拥有的行为信息相似性分析源头，找到相似人群。

DMP人群是Look-alike目标人群扩展技术的核心基础，我们需要依据种子人群的特征画像，用户行为来扩展，我们又叫做DMP人群为种子人群（seed user）。

种子人群扩展原理示意

二、look-alike定向策略的具体实现

1. 常见的机器学习Look-alike策略

网易云音乐种子人群扩策略示意

行业当中用机器学习的防范去做Look-alike的策略其实有非常多的方式，主要也是充分利用DMP种子人群相关性的建模思路去做扩展。

基于社交关系的扩散：以具有相似社交关系的人也有相似的兴趣爱好/价值观为前提假设，利用社交网络关系进行人群扩散，一般平台会通过登录QQ、手机通讯权限或者其他社交媒体粉丝、古关注等信息进行种子人群的扩散。

人工选择标签扩散：DMP的人群圈选一般是多个标签的组合人群，如果希望去做相似人群的，可以对存量的人群进行画像的解析，然后再对标签泛化找到机会人群。

基于标签的协同过滤：在标签扩散的基础上，采用基于User-CF协同过滤算法，找到与种子人群相似的机会人群，例如在电商平台中，有点击、加购以及入会收藏多个相似商品之间的用户，计算相似余弦距离，再进行加权平均，详情可见Arthur关于推荐系统召回的文章。

基于K-Means 聚类的扩散：根据用户画像或标签，采用层次聚类算法（如BIRCH或CURE算法）对人群进行聚类，通过画像、标签内容去找到聚类相似性，再过制定相似的阈值从中找出与种子人群相似的机会人群。

基于向量相似度embedding方法：把用户user embedding，映射到对应的低维度向量当中，再根据k-means做局部敏感的hash聚类，根据用户属于哪个聚类再进行对应的推荐

目标人群分类方法：以种子人群为正样本，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，涉及PU Learning的问题。

2. 网易云音乐Look-alike目标人群扩展思路——基于向量embedding方法简述

基于用户向量表示召回相似用户，计算种子用户的向量表示与候选用户的相似度，基于相似度打分来召回相似用户。

网易云音乐Look alike获取种子人群向量思路

优点：用户向量可通用，能服务于所有广告主的扩量。

难点：如何有效地学习到用户向量表示。

如何衡量种子人群相似度？

① 种子人群向量聚类；使用种子人群的K个向量聚类中心表示种子人群。

② K个聚类簇的重要程度衡量；增加种子人群每个聚类簇的历史统计CTR作为权重。

③ 候选用户与种子人群的相似度打分：

1. 计算候选用户与K个聚类中心的向量余弦相似度；
2. 使用K个聚类簇的权重对相似度进行加权；
3. c选择选用户与K个聚类中心的加权相似度的最大值作为候选用 户与种子人群的相似度打分。

三、关于look-alike定向策略总结与思考

Look-alike策略的诞生其实在算是广告定向领域划时代的策略产品标志，在帮助广告主投放保持营销确定性范围的同时，提升了投放的效果，提升了广告计划投放的拿量获取PV、和转化效果的能力，是DMP定向往前迈入的一大步，也是定向策略的重点研究方向。

广告投放平台中的定向策略也是投放策略产品的三大方向之一，不了解定向策略也不算真正了解投放平台策略。

下一篇我们会借助微信看一看的RALM框架来详细的了解Look-alike是如何实现“准而全”的种子人群扩展，以及最后线上实验如何达成正向的效果。