在傳統廣告中，受衆隻能被動接受廣告，無法量化和跟蹤廣告效果，而在程序化廣告中，廣告主和受衆之間能夠實現雙向互動，廣告主能通過曝光、互動、點擊等多個維度量化和評估廣告效果。與廣告主推廣的産品和服務相契合的受衆，往往有着不錯的廣告的效果。随之而來的，廣告主對于受衆定向也産生了越來越強烈的需求。

在廣告投放過程中，絕大部分DSP平台都支持通過标簽選取（用戶興趣定向）或LBS（地域定向）等方式為廣告主篩選目标受衆群，但篩選出來的人群規模不易控制，需要廣告優化師進行反複的嘗試尋找最優的目标受衆群。

那麼，如何更數字化自動化選取目标受衆呢？本期專欄，AdBright廣告帶大家解讀DMP中依賴大數據和機器學習進行目标用戶拓展的Lookalike算法。

Lookalike，即相似人群擴展，是基于廣告主的現有用戶，通過一定的算法評估模型，找到更多擁有潛在關聯性的相似人群的技術。值得注意是，lookalike不是某一種特定的算法，而是一類方法的統稱，這類方法綜合運用多種技術，比如協同過濾、node2vec等，最終達到用戶拓展目的。

對于特征和模型算法，不同的廣告技術公司各有差異，特征取決于其DMP有哪些數據，主要方式有以下三種：

• 利用用戶畫像進行人群擴散：給種子用戶打标簽，利用相同标簽找到目标人群
• 利用分類模型進行人群擴散：種子用戶為正樣本，候選對象為負樣本，訓練分類模型，然後用模型對所有候選對象進行篩選。
• 利用社交網絡進行人群擴散：利用種子用戶的好友關系，将其标簽傳給社區中的好友，從而實現人群擴散

這裡以分類模型為例，人群拓展過程如下：

首先，提交數據。廣告主需向DMP提交一系列客群範圍，一般以設備碼、電話号碼等形式存在，我們稱之為種子用戶。

然後，進行建模。種子用戶在和DMP平台所擁有的用戶數據進行匹配，排除非DMP用戶，将剩下的種子用戶作為機器學習的正樣本。負樣本會從平台的非種子用戶進行選取，将其轉化為一個二分類的模型，由正負樣本組成學習的樣本，訓練模型。

最後，輸出拓展用戶。根據廣告主所需要的目标用戶量級，按模型機制輸出數據。根據擴散量級需求，量級越小，包含的用戶群體相似程度越近。廣告主可使用拓展後的用戶數據包進行廣告投放。

就中國市場而言，人口結構的變化帶來消費升級，促進了消費者個性化和對品質的追求，傳播媒介去中心化信息傳遞，在分散用戶的注意力的同時也增加了廣告主捕捉消費者的難度。如何在合适的時間把合适的内容推送到合适的受衆面前，也已成為廣告主對廣告技術公司的普遍要求。

因此，作為輔助廣告主和廣告優化師獲取精準目标人群的有力工具，Lookalike算法幾乎成為了所有提供廣告DMP數據服務的公司的标配，并随着近些年算法和模型研究的深入，不斷的優化和完善。

來源：AdBright廣告（AdBright皓量科技），一站式移動廣告技術服務商，為廣告主和廣告服務商提供專業高效的智能營銷決策管理和解決方案。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!