笔记︱目标人群优选的Look-aLike Modeling案例集锦

发布网友发布时间：2024-10-22 09:57

共1个回答

热心网友时间：2024-11-17 03:23

精准定向的两种模式分别通过实例和理论深入探讨了如何通过Look-alike Modeling来优化品牌人群定向。首先，阿里技术在策略中心的品牌人群定向模型中，通过大数据和算法分析，对比基于业务经验的传统规则和算法优选人群，发现算法在“O->IPL”关系深化指标上提升了47%，证明了模型的有效性。

Look-alike模型的主要流程包括样本选择，如使用品牌已购人群作为正样本，全网其他品牌的人群作为负样本，并进行特征工程处理，如数值型特征离散化、枚举型特征筛选和多值特征处理。在训练模型方面，LR模型作为基础，而PS-SMART算法因其更强的非线性拟合能力被选为最终模型。针对年货节场景，需要建立专门的人群模型，以捕捉特定时期的消费需求。

在淘宝用户增长案例中，通过GBDT算法将用户标签进行向量化，构建用户向量集，进行聚类并计算种子人群的中心向量，以此进行相似人群的挖掘。评估指标上，引入了覆盖度和相似度，以适应无监督学习的场景并优化模型效果。

Look-alike算法在微信看一看、微信广告、Turn、Yahoo、LinkedIn、Pinterest等平台的应用中，展示了其在实时性和效果优化方面的特性，结合回归模型、标签相似性、用户网络等多角度进行人群扩散和扩展。例如，Pinterest的模型结合了LR分类和Embedding搜索，而LinkedIn则通过Campaign-Agnostic和Campaign-Aware Expansion策略构建用户和公司模型。

在广告投放实践中，如网易云音乐和爱奇艺，分别通过用户向量召回相似用户、基于标签选择和机器学习算法来实现Look-alike。OPPO广告DMP则介绍了从定向差异化到智能化的演变，而哈啰单车则详细解释了无监督选择负样本的过程，包括改进的PU-Learning方法和Graph Embedding技术在构建用户图谱中的应用。