（g）分别计算种子用户和潜在目标用户的向量集，并比对相似性，我们使用的是余弦相似度计算相似性，将步骤f得到的用户特征向量集作为输入x,y，代入下面公式计算相似性：

使用余弦相似度要注意：余弦相似度更多的是从方向上区分差异，而对绝对的数值不敏感。因此没法衡量每个维度值的差异，这里我们要在每个维度上减去一个均值或者乘以一个系数，或者在之前做好归一化。

（h）受众扩展

获取种子受众名单，以及目标受众的数量N；

检查种子用户是否存在于UVS中，将存在的用户向量化；

计算受众名单中用户和UVS中用户的相似度，提取最相似的前N个用户作为目标受众。

最后我们将以上步骤串联起来，形成如图5所示。

图5 Lookalike算法示意图

在以上步骤中特征提取完成后，我们使用一个2层的神经网络做最后的特征提取，算法结构示意图如图6所示。

图6 Lookalike算法结构图

其中FC1层也可以替换成MaxPooling，MaxPooling层具有强解释性，也就是在用户特征群上提取最重要的特征点作为下一层的输入，atv，读者可以自行尝试，这里限于篇幅问题就不做展开了。

讲到这里，算法部分就已基本完结，其中还有些工程问题，并不属于本次主题探讨范围，这里也不做讨论了。

结果

我司算法团队根据Lookalike思想完整实现其算法，并在实际产品中投入试用。针对某客户（乳品领域世界排名前三的品牌主）计算出结果（部分）：

表1 部分计算结果

可以观察到以上微博ID的主题基本都是西点企业或西点培训企业，和品牌主售卖的乳品有很高的关联性：乳品是非常重要的西点原料，除终端用户外，西点相关企业就是乳品企业主需要寻找的最重要的受众之一。

探讨

特征表达

除了以上提到的特征外，我们也对其他的重要特征表达做了处理和变换：根据我们的需求，需要抽取出人的兴趣特征，如何表达一个人的兴趣？除了他自己生成的有关内容外，还有比较关键的一点是比如“我”看了一些微博，但并没有转发，大多数情况下都不会转发，但有些“我”转发了，有些“我”评论了；“我”转发了哪些？评论了哪些？这次距上次的浏览该人的列表时间间隔多久？都代表“我”对微博的兴趣，而间接的反应“我”的兴趣特征。这些数据看来非常重要，又无法直接取得，怎么办？

下面来定义一个场景，试图描述出我们对看过的内容中哪些是感兴趣的，哪些不是感兴趣的：

（a）用户A，以及用户A关注的用户B；

（b）用户A的每天动作时间（比如他转发、评论、收藏、点赞）起始时间，我们定义为苏醒时间A_wake(t)；

（c）用户B每天发帖（转发、评论）时间：B_action(t)；

（d）简单假设一下A_wake(t)> B_action(t)，也就是B_action(t)的评论都能看到。这就能得到用户A对应了哪些帖子；

（e）同理，也可知用户A 在A_wake(t)时间内转发了、评论了哪些帖子；

（f）结合上次浏览间隔时间，可以描述用户A对哪些微博感兴趣（post ive），哪些不感兴趣（negative）。

全连接层的激活单元比对提升

在Google那篇论文中比对隐含层（也就是我们结构图中的FC层）各种单元组合产生的结果，Google选择的是最后一种组合，如图7所示。

图7 YouTube推荐模型隐含层单元选择对比

我们初期选用了512 tanh→256 tanh 这种两层组合，后认为输入特征维度过大，512个单元无法完整的表达特征，故又对比了 1024→512组合，发现效果确实有微小提升大概在0.7%。另外我们的FC层输入在(-1,1)区间，考虑到relu函数的特点没有使用它，而是使用elu激活函数。测试效果要比tanh函数提升0.3%-0.5%。

附node2vec伪码：

感谢我司算法组周维在拟写这篇文章时提供的帮助。

作者简介