青浦区数据链广告的设计经验丰富（程序化广告中的数据应用-lookalike）

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。

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。

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。

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。

来源：AdBright广告（AdBright皓量科技），一站式移动广告技术服务商，为广告主和广告服务商提供专业高效的智能营销决策管理和解决方案。