实践︱从算法到工程：Look-alike Modeling在各大厂的落地全景

1. Look-alike Modeling技术全景解析第一次接触Look-alike技术是在2015年做电商推荐系统时当时我们团队为了提升新用户转化率伤透脑筋。传统基于规则的人群圈选就像用渔网捞鱼要么漏掉太多目标用户要么误伤大量无关用户。直到尝试了Look-alike技术转化率直接提升了38%我才真正理解什么是智能营销。Look-alike Modeling本质上是一种人群相似度放大镜。就像拿着种子用户的DNA样本在茫茫人海中寻找具有相似特征的目标群体。这个技术最迷人的地方在于它的方法论多样性——没有标准答案不同业务场景需要搭配不同的技术组合拳。目前主流的技术路线可以归纳为四大门派统计派TGI标签扩散方案像老中医把脉通过用户画像标签的相似度进行扩散社交派SNA社交网络分析像人际关系侦探通过转发、关注等行为构建关系图谱机器学习派PU Learning技术像精算师把种子用户当正样本训练分类模型向量派Embedding相似度计算像空间建筑师把用户映射到向量空间找近邻在实际项目中我们经常采用组合技。比如去年为某美妆品牌做618大促时先用Embedding做粗筛再用PU Learning精细过滤最后用社交关系补全潜在用户效果比单模型提升52%。关键是要理解每种方法的适用场景和工程代价就像厨师要清楚每种食材的火候。2. 大厂实战案例深度拆解2.1 阿里品牌人群定向模型在阿里策略中心的项目中技术团队遇到了经典的两难问题既要保证人群扩展的规模又要维持与种子用户的高度相似性。他们的解决方案颇具启发性——采用多方向人群扩散分类优选的双层漏斗策略。特征工程环节有几个神来之笔对年购物天数这类数值特征进行等距离散化就像把连续的光谱分成色块既保留了信息又提高了稳定性处理偏好品牌这类多值特征时创新性地尝试了三种策略保留最大值、保留相关值、保留多个相关值最终第三种方案使AUC提升1.2%最精彩的是用Word2Vec思路处理类目ID把用户行为序列当句子类目当单词训练出的Embedding让模型有了联想能力评估指标的设计更是体现了业务智慧。传统的AUC、Precision在Look-alike场景下容易失灵他们创新的PredictTA TopN Precision和NewTA topN Recall指标就像为这个场景量身定制的尺子能准确丈量模型在真实业务中的表现。2.2 微信看一看的实时挑战微信团队面临的挑战堪称地狱难度每分钟要处理千万级新内容响应时间必须控制在5分钟内。传统的Regression-based方法就像用牛车送快递根本跟不上节奏。他们的解决方案PALM模型展现了三个精妙设计模型架构革新把user-item模型改造成user-users模型就像把单人照变成集体照识别种子表达创新用动态权重聚合种子用户特征解决了如何代表一群人的难题系统工程化在线推理服务能做到99分位延迟50ms堪比F1赛车的引擎调校实测下来这套系统在长尾内容曝光量提升37%的同时点击率还增加了5%打破了规模与精度不可兼得的魔咒。这让我想起在视频推荐项目中的类似尝试当时我们用Faiss替代原生KNNQPS直接从200飙到5000。3. 工程化落地的关键陷阱3.1 样本选择的艺术Look-alike项目80%的坑都藏在样本选择里。去年我们服务一个新兴品牌时就踩过大坑——直接用全网用户做负样本模型很快学会了识别非目标用户但对真正的潜在客户毫无辨别力。有效的样本策略应该像调鸡尾酒正样本品牌已购用户兴趣用户竞品用户比例要动态调整负样本优选竞品已购用户避免使用特征缺失严重的随机用户间谍样本在PU Learning中混入5%正样本到未标注池作为内鬼监督模型有个很实用的技巧用TSA算法迭代筛选负样本时第一轮用GBDT第二轮切到DeepFM能有效避免信息茧房。我们在互金行业实测发现这种组合比单一模型提升Recall100达15%。3.2 特征工程的秘密处理高维稀疏特征是每个算法工程师的必修课。在最近一个汽车品牌项目中我们发现直接使用关注车型这类特征会导致模型过拟合最终方案借鉴了阿里的TGI筛选法计算每个特征值的TGI指数(特征值在正样本占比)/(全网占比)*100添加TA浓度指标特征值在正样本的出现次数/总出现次数设置联合阈值过滤长尾噪声对于多值枚举特征可以尝试动态池化技巧先按重要性排序保留TopN个值其余归入其他类别。这个简单操作在某3C品类项目中使模型稳定性提升20%。4. 前沿技术融合趋势Graph Neural Network正在给Look-alike带来新的可能性。去年底我们尝试用PinSAGE算法构建用户-商品异构图将用户浏览、加购、分享等行为转化为边特征配合EGES模型学习节点Embedding在母婴品类实现了CTR提升29%的突破。另一个有趣的方向是Meta Learning。面对冷启动广告主我们用Prototypical Network学习如何学习用户特征只需500个种子用户就能建立有效模型比传统方法快3倍。这就像给模型装上了学会学习的大脑。在向量检索环节Milvus引擎的量化索引技术让人印象深刻。在某本地生活项目中我们将2000万用户Embedding压缩到8bit检索速度提升5倍的同时Recall100仅下降2%完美平衡了效果与性能。