深度学习在推荐领域的应用lookalike

lookalike系统是帮助广告投放商利用种子用户找到相似的用户，实现更精准的营销触达的系统。常见的looklike可以分为显性定位和隐性定位，

1.显性定位，根据用户标签直接定位，包括用户基本信息、兴趣等，需要实现对用户标签信息的挖掘

2.隐性定位，利用算法进行定位 • 技术：机器学习

当2012年Facebook在广告领域开始应用定制化受众（Facebook Custom Audiences）功能后，“受众发现”这个概念真正得到大规模应用，什么叫“受众发现”？如果你的企业已经积累了一定的客户，无论这些客户是否关注你或者是否跟你在Facebook上有互动，都能通过Facebook的广告系统触达到。“受众发现”实现了什么功能？在没有这个系统之前，广告投放一般情况都是用标签去区分用户，再去给这部分用户发送广告，“受众发现”让你不用选择这些标签，。你需要做的只是上传一批你目前已有的用户或者你感兴趣的一批用户，剩下的工作就等着Custom Audiences帮你完成了。

Facebook这种通过一群已有的用户发现并扩展出其他用户的推荐算法就叫Lookalike，当然Facebook的算法细节笔者并不清楚，各个公司实现Lookalike也各有不同。这里也包括腾讯在微信端的广告推荐上的应用、Google在YouTube上推荐感兴趣视频等。下面让我们结合前人的工作，实现自己的Lookalike算法，并尝试着在新浪微博上应用这一算法。

问题场景：

广告主使提供用种子用户，通过lookalike系统获取潜在客户 Google similar audiences • Facebook lookalike audiences

常用的lookalike系统：

转化为机器学习的模型 • 正样本：广告主提供的客户名单（称为种子用户） • 负样本：从活跃用户（非种子用户）随机抽样 • 打分结果：利用model对活跃用户进行打分排序，取出目标数量