Look-alike小结

于 2025-07-19 00:43:43 发布
阅读量1.1k 收藏 24
点赞数 30
CC 4.0 BY-SA版权
分类专栏： 用户理解 文章标签： 人工智能 大数据 深度学习 用户画像 搜索引擎 推荐算法 广告
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_85747530/article/details/149455550

简介

将基于种子用户进行相似人群扩展的方法称为look-alike。look-alike不是某个特定的算法，而是一类建模方法的统称。

整体分类

Rule-based

经典论文主要应用场景
2015年：Effective Audience Extension in Online Advertising广告平台标签定向：选择年龄、性别、职业、兴趣标签

论文链接：Effective Audience Extension in Online Advertising

Graph-based

经典论文主要应用场景
Link Prediction Based on GNN（NIPS2018）边缘预测：玩过哪些游戏的用户，更容易安装新游戏
App2Vec: Vector modeling of mobile apps and applications （ASONAM16）应用安装预测：改进 CBOW 在 softmax 加入两个 app 使用间隔时长

论文链接：

  1. Link Prediction Based on GNN
  2. App2Vec: Vector modeling of mobile apps and applications

Similarity-based

分类模型缺点
协同过滤UserCF/ItemCF/MF数据高维稀疏
Graph EmbeddingLINE / GES / Node2vec\
MLP2016年：YoutubeDNN召回\
基于用户画像2016年：Audience Expansion for Online Social Network Advertising基于用户属性的相似度进行人群扩展\
基于相似度的LSH（局部敏感哈希）2016年：Score Look-Alike Audiences使特征相近用户哈希到相同桶\

论文链接：

  1. Audience Expansion for Online Social Network Advertising
  2. Score Look-Alike Audiences

Regression-based

模型思路
2016年：LR：A Sub-linear, Massive-scale Look-alike Audience Extension System1、构建 “用户-用户相似图” 缩小候选集；
2、针对每个 campaign，特征选择 + LR 模型打分
GBDT\
2019：MLP：Comprehensive Audience Expansion based on End-to-End Neural Prediction（SIGIR19）1、对一个用户多次 DSP 广告曝光 / 点击特征做归一化作为特征，是否购买作为标签（拿不到广点通曝光数据）；
2、对比 PU learning 问题的三种采样方法 spy / pre-train / bootstrap；
3、对比 LR / FM / bn_mlp / s_mlp / s_bn_mlp 模型，其中 s_mlp 效果最好

论文链接：

  1. A Sub-linear, Massive-scale Look-alike Audience Extension System
  2. Comprehensive Audience Expansion based on End-to-End Neural Prediction

Attention-based

模型思路
2019：RALM：Real-time Attention Based Look-alike Model for Recommender System用于实时资讯推荐：
1、通过某 item的seed user 计算候选 user 的lookalike score，以决定是否推荐 item
2、系统分为两部分
（1）用户表示学习；
（2）Look-alike 学习
优点：user-item 丰富，冷启动 item
2019：Finding Users Who Act Alike: Transfer Learning for Expanding Advertiser Audiences1、利用全局用户数据，训练全局轻量级 embedding 粗排（选择相对static 特征，保持结果稳定）
2、针对每个广告，用迁移学习和统计方法得到新的轻量级 embedding

论文链接：

  1. Real-time Attention Based Look-alike Model for Recommender System
  2. Finding Users Who Act Alike: Transfer Learning for Expanding Advertiser Audiences

典型模型

相关论文

年份主要发表单位会议/期刊论文（链接见下方）
2015Turn（广告公司）ACM15Effective Audience Extension in Online Advertising
2016YahooICDM16A Sub-linear, Massive-scale Look-alike Audience Extension System
2016LinkedinKDD16Audience Expansion for Online Social Network Advertising
2019腾讯微信KDD19RALM：Real-time Attention Based Look-alike Model for Recommender System
2019PinterestKDD19Finding Users Who Act Alike: Transfer Learning for Expanding Advertiser Audiences
2021腾讯微信KDD21MetaHeac：Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertisin

论文链接：

  1. Effective Audience Extension in Online Advertising
  2. A Sub-linear, Massive-scale Look-alike Audience Extension System
  3. Audience Expansion for Online Social Network Advertising
  4. Real-time Attention Based Look-alike Model for Recommender System
  5. Finding Users Who Act Alike: Transfer Learning for Expanding Advertiser Audiences
  6. Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertisin

相关文档

  1. RALM：微信看一看中基于Attention机制的实时Look-alike推荐模型 (jianshu.com)
  2. Pinterest-Lookalike技术：Finding Users Who Act Alike
  3. 详解MetaHeac
  4. Lookalike 算法调研
  5. Lookalike在爱奇艺广告投放中的应用
  6. 画像系统——如何进行相似人群的扩展？（Look-alike）

相关开源代码

结尾

亲爱的读者朋友：感谢您在繁忙中驻足阅读本期内容！您的到来是对我们最大的支持❤️

正如古语所言："当局者迷，旁观者清"。您独到的见解与客观评价，恰似一盏明灯💡，能帮助我们照亮内容盲区，让未来的创作更加贴近您的需求。

若此文给您带来启发或收获，不妨通过以下方式为彼此搭建一座桥梁： ✨ 点击右上角【点赞】图标，让好内容被更多人看见 ✨ 滑动屏幕【收藏】本篇，便于随时查阅回味 ✨ 在评论区留下您的真知灼见，让我们共同碰撞思维的火花

我始终秉持匠心精神，以键盘为犁铧深耕知识沃土💻，用每一次敲击传递专业价值，不断优化内容呈现形式，力求为您打造沉浸式的阅读盛宴📚。

有任何疑问或建议？评论区就是我们的连心桥！您的每一条留言我都将认真研读，并在24小时内回复解答📝。

愿我们携手同行，在知识的雨林中茁壮成长🌳，共享思想绽放的甘甜果实。下期相遇时，期待看到您智慧的评论与闪亮的点赞身影✨！

万分感谢🙏🙏您的点赞👍👍、收藏⭐🌟、评论💬🗯️、关注❤️💚～

自我介绍：一线互联网大厂资深算法研发（工作6年+），4年以上招聘面试官经验（一二面面试官，面试候选人400+），深谙岗位专业知识、技能雷达图，已累计辅导15+求职者顺利入职大中型互联网公司。熟练掌握大模型、NLP、搜索、推荐、数据挖掘算法和优化，提供面试辅导、专业知识入门到进阶辅导等定制化需求等服务，助力您顺利完成学习和求职之旅（有需要者可私信联系） 

友友们，自己的知乎账号为“快乐星球”，定期更新技术文章，敬请关注！   

《自然语言处理实战入门》第二章：NLP 前置技术 ---- NLP开源工具包与云服务提供商
shiter编写程序的艺术
07-20 1017
文章大纲NLTKGensimStanfordNLPSpacy参考文档 在1.3小结我们已经简要介绍了一些知名中文NLP开源组件与服务提供商，目的是直观认识NLP的常用技术手段和应用场景进行概述知识导入。本小节针对NLP 常见处理流程中经常用到的开源包与云服务提供商进行介绍。 图 自然语言处理一般建模流程 大部分的中文nlp 开源包，我都在 中文分词原理及 相关章节有所罗列和介绍 中文分词原理及相关组件简介 之 ---- 分词领域主要分词算法、组件、服务（上） 中文分词原理及相关组件简介 之 ----
电影：美国队长：复仇者先锋
m0_61149488的博客
06-17 3058
漫威的“美国队长：复仇者先锋”专注于漫威宇宙的早期，当时史蒂夫·罗杰斯自愿参加一个实验计划，这个计划将他变成了被称为美国队长的超级士兵。
LeetCode 热题 HOT 100
qq_42417189的博客
07-17 1427
LeetCode 热题 HOT 100之JAVA解法第1题 两数之和(简单)代码第2题 两数相加(中等)代码 第1题 两数之和(简单) 给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。 你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。 你可以按任意顺序返回答案。 示例 1： 输入 输出 nums = [2,7,11,15], target = 9 [0,1]
图神经网络（篇三）-基础知识
最新发布
乐于创作，乐于分享，志于创作高价值博文
07-02 959
《深入浅出图神经网络-GNN原理解析》配套代码资源汇总，包含GCN、GraphSage、图分类和图自编码器等实战章节的PyTorch实现。书籍涵盖图神经网络基础理论、GCN性质、GNN变体与应用等内容，并引用多篇前沿论文。作者为互联网大厂算法专家，提供算法面试辅导与专业知识指导。配套代码链接详见文中，欢迎读者点赞收藏评论互动，共同探讨GNN技术。
LeetCode 热题 Hot100
weixin_42529866的博客
04-22 1497
目录 已练习 46. 全排列 55. 跳跃游戏 3. 4. 5. 6. 7. 8. 9. 10. 46. 全排列 题目描述 给定一个 没有重复 数字的序列，返回其所有可能的全排列。 示例: 输入: [1,2,3] 输出: [ [1,2,3], [1,3,2], [2,1,3], [2,3,1], [3,1,2], [3,2,1] ] 来源：力扣（LeetCode） 链接：https://leetcode-cn.com/probl
49.字母异位词分组
Luckyli_的博客
11-19 80
输入: strs = ["eat", "tea", "tan", "ate", "nat", "bat"]输出: [["bat"],["nat","tan"],["ate","eat","tea"]]给你一个字符串数组，请你将 字母异位词 组合在一起。可以按任意顺序返回结果列表。字母异位词 是由重新排列源单词的所有字母得到的一个新单词。输入: strs = ["a"]输入: strs = [""]strs[i] 仅包含小写字母。输出: [["a"]]输出: [[""]]
剑指offer算法
XIAOhe224的博客
08-23 171
字典排序 核心解题过程 举例：125643的下一个字典序列 第一步：右边值大于左边的3<4,4<6,6>5,则i=2，list[a]=5 第二步：从右往左找出第一个右边大于list[a]=5的值，找到6>5,j=3;list[b]=6; 第三步：交换list[a]和list[b]的值，序列125643->126543 第四步：将位置2以后的元素重新排序,126543->126345; 结束： 126345即125643的下一个序列 package Sort; import
LSH以及Look-alike 技术总结: Similarity-based,Regression-based,Attention-based
weixin_40901056的博客
07-26 2436
Look-alike简介 Look-alike是在线营销活动中常用的一种技术，目的是根据广告主提供的用户，帮助其进行人群圈选。Look-alike的输入是一个user列表(可以是user id 或者电话号码等id标识)，这个user列表可以是广告主上一次活动的人群，可以是广告主的已有用户中高净值人群等等。这个输入人群列表有个专有名次叫做“种子用户(seeds)”。而Look-alike的输出还是一...
图嵌入(Graph Embedding)方法小结
外婆家的大灰狼
02-01 3688
Embedding 定义：Embedding在数学上是一个函数，即将一个空间的点映射到另一个空间，通常是从高维抽象空间映射到低维的具象空间。 意义：高维数据转换到低维有利于算法的处理，同时解决one-hot向量长度随样本变化而变化以及无法表示两个实体之间的相关性这一问题。 常用方法：word2vec，根据语料库中单词的共线关系求出每个单词的embedding。常用的word2vec模型有cbow...
10、广告-用户数据中心
qq_29434541的博客
07-07 1134
用户数据中心在程序化广告中的作用至关重要，通过对用户数据的采集、处理和应用，实现广告的精准投放和效果优化。DMP作为用户数据中心的核心，通过标签生成、Look Alike模型、双向对接和数据统计与分析等技术手段，为广告主提供强大的数据支持，帮助其在竞争激烈的广告市场中取得优势。理解和掌握用户数据中心的相关技术和操作流程，是广告从业者提高广告效果和优化投放策略的重要保障。Look Alike模型通过分析现有用户的标签特征，找到与之相似的新用户，从而扩大广告投放的覆盖范围，提高广告效果。
剑指Offer算法
不忘初心的博客
03-07 236
1、在一个二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。 public static boolean Find(int target, int [][] array) { int rows=array.length; int columns=array[0].len...
剑指Offer
yoolili的博客
05-23 184
剑指Offer题目 1.面试题03. 数组中重复的数字 找出数组中重复的数字。 在一个长度为 n 的数组 nums 里的所有数字都在 0～n-1 的范围内。数组中某些数字是重复的，但不知道有几个数字重复了，也不知道每个数字重复了几次。请找出数组中任意一个重复的数字。 示例 1： 输入： [2, 3, 1, 0, 2, 5, 3] 输出：2 或 3 class Solution { public int findRepeatNumber(int[] nums) { Set<Int
leetcode热题HOT-100道题
NOTBADCODER的博客
10-09 960
leetcode刷题记录题目题目 题目 寻找重复的子树 序列化二叉树 只能前序或后续遍历 利用map记录每个根节点的序列化字串 若系列化字串数量大于2就是重复的子树 题目
【LeetCode】热题 HOT 100
weixin_46124213的博客
07-28 988
LeetCode 热题 HOT 100
【算法】剑指offer
午后阳光
08-30 369
1，从1到整数n中1出现的次数 思路：若百位上数字为0，百位上可能出现1的次数由更高位决定；若百位上数字为1，百位上可能出现1的次数不仅受更高位影响还受低位影响；若百位上数字大于1，则百位上出现1的情况仅由更高位决定。 举例： ①534 个位1出现的次数：round*1+1 （每次循环1出现一次，0-9循环了53次，第54次循环为0-4） 十位1出现的次数：round*10 +...
LeetCode热题 HOT100：排序链表、乘积最大子数组、最小栈
weixin_51405802的博客
01-19 582
LeetCode热题 HOT100：排序链表、乘积最大子数组、最小栈
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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