lookalike 人群扩散调研

2013年3月19日,Facebook推出Lookalike Audiences,是一种「以人找人」的概念,可以根据Custom Audiences所筛选出的用户名单为参考,再筛选出「另一批用户」是与其相似的受众,让广告主可以将广告投递给此名单内的用户。第一个「人」指的是透过Custom Audiences所筛选出的用户,找到的「人」是指与其相似兴趣的另一批用户。

2014年阿里妈妈推出达摩盘(DMP)Lookalike 模型的逻辑是,达摩盘先帮助商家找到对其店铺或品牌最忠实的那批用户,这些用户被称为种子用户,然后商家可以通过Lookalike 模型找到与这些种子用户相似的人,进行爆炸式的复制,在这个过程中,规模和效果可以在模型中找到一个平衡点。

2015腾讯广点通,设计是基于种子用户画像和关系链寻找相似用户,即根据种子人群的共有属性进行自动化扩展,以扩大受众覆盖面,提升广告效果。Lookalike的基础仍是腾讯的用户数据,借助于Peacock,先从上百万个维度对种子人群进行分析,从中筛选出最具代表性的共有特征,再根据这些特征,从广点通的全量活跃用户中筛选出另一批与种子人群最相似的用户。



参考:


### Lookalike常用算法及其在精准营销中的应用 #### 一、基于标签选择的Lookalike算法 这种方法主要依赖预定义的一系列用户特征标签来匹配种子用户群体。系统会计算待选用户与种子用户之间的共同标签数量或比例,从而评估两者间的相似程度。当某个用户的标签组合与种子用户高度一致时,则认为其具有较高的转化潜力并被纳入目标受众列表中[^2]。 #### 二、基于机器学习的Lookalike算法 此方式更加强调自动化建模过程,在获得初始种子集后,将这些已知响应良好的个体标记为正面实例;与此同时收集大量未参与互动的历史记录作为负面案例。接着采用监督式学习框架构建预测函数,旨在区分两类不同性质的对象。经过充分训练后的模型能够针对全体注册成员给出概率估计值,表示他们成为理想客户的可能性大小。最终按照分数高低排序筛选出最有可能感兴趣的那部分人作为推广对象[^5]。 ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression import pandas as pd # 假设df是一个包含用户行为数据的数据框 X = df.drop('is_seed_user', axis=1) # 特征列 y = df['is_seed_user'] # 目标变量(是否属于种子用户) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y) # 创建逻辑回归模型实例 model = LogisticRegression() # 训练模型 model.fit(X_train, y_train) # 对整个用户库进行评分 scores = model.predict_proba(df.drop('is_seed_user', axis=1))[:, 1] # 获取top N% 的潜在客户 potential_customers = scores.argsort()[-int(len(scores)*0.05):][::-1] ``` 上述代码片段展示了如何使用Python实现一个简单的基于Logistic Regression的Lookalike模型。这里选择了前5%得分为最高的用户作为潜在的新客户[^4]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值