什么应用场景会需要进行人群扩展呢？

【】在画像系统中，当用户通过一个标签或者一系列标签，完成了人群的圈选，此时经常出现的一个问题是：圈选出来的人群太少了。这对于人群包的应用（展现次数、点击次数、转化次数等）而言，无疑是巨大的影响。

【】运营人员经过多次的效果测试和人群优化后，有个效果特别好的人群包。但是呢，往往越是精准的人群包，数量也越少。扩展人群包的数量，通常来讲肯定会降低投放效果，但是扩量一定是必走的营销之路。

因此，只有质量没有数量的投放，并不能称得上成功的投放。在不降低投放质量或者少降低投放质量的前提下，尽量扩展投放数量，是摆在投放人员面前的重要课题，也是画像系统、广告系统的重要内容。

三、一些常用的扩展方法

那如何将种子人群扩展呢？常见的方法主要有三种（这些是比较基础的一些方法，具体的扩展方法建议在这些方法的基础上，结合自己的业务场景，进行更科学的应用，尽量不要生搬硬套）：

通过标签的方式是比较容易落地的方法。主要有这么几个步骤。

首先，识别种子人群的特征标签。关于如何识别人群的特征标签，在之前的文章《如何从海量特征中识别人群的突出特征》中有阐述过，大家可以参考查阅。

其次，就是基于识别的典型特征，进行人群的扩展。例如，我们识别出来种子人群有【高消费】、【偏好奢侈品】、【小镇中产】等标签。那么我们可以将包含这些特征的人群都先圈出来（交集或者并集）。这样就完成了相似人群的扩展。

这种方法比较直接，但相似效果比较难衡量。

通过相似度的方式，主要是将人群的特征进行向量化，然后计算向量之间的距离。

例如我们总共有100个标签、400个特征（所谓特征可以理解成标签取值）。那么，每个用户都可以用400维的向量进行标识。

基于每个用户的向量，计算种子人群的向量均值。然后用其余待匹配人群的特征向量，与种子人群的向量均值求距离。

最后，按照距离进行排序，获得距离最近的top取值即可。

通过标签的方式，比较容易理解用距离的方法，比较容易计算。除此之外，就是用算法的方式进行扩展了。

算法的具体实现就不说了，其实就是一个典型的分类问题。即判断一个人属不属于种子人群。而种子人群作为机器学习训练集。

四、产品化设计参考

关于产品设计，这里简单聊两句。

首先看看谷歌广告的产品设计。下图是谷歌广告中的相似人群扩展的功能：

这里谷歌采取的是滑块的方式，进行不同程度的扩展。

这里补充一下，我简单了解了一下谷歌的扩展逻辑，有一种逻辑是基于的关键词的扩展。例如选定的关键词是“台灯”，扩展的时候是先扩相似相近关键词，例如“吊灯”、“床灯”等，然后基于扩展的关键词进行人群扩展。这算是上面没有提到的一种扩量逻辑吧。

实在是没有达摩盘的账号了，就从介绍视频里截了个图：

从这个图里，也能看出一些端倪。达摩盘的人群扩展，是比较贴合业务场景的，加了很多业务层面的逻辑。这会提升扩展后人群的效果。应该是比较高阶的扩展逻辑了。

最后给个我们自己的产品中，关于人群缩放的内容吧：

我们这里除了支持人群的扩充，也支持人群的缩减。是自动基于用户填写的人数设置来的，这里的人数设置，就是上文提到的扩展人群的概念。即若填写的人数大于种子人群，则扩展反之则缩减。扩充的方法是采取相似人群算法。

缩减的方式直接进行的随机抽取。

今天主要分享这些。

‍-END-