这似乎是数字营销中非常常见的场景，一些公司已经发布了他们的相似建模方法。

这里有几个链接：

• 在 LinkedIn 上看起来很像
• 与 Pinterest 相似
• 与雅虎相似
• 来自雅虎的另一个相似之处
• 关于相似的学术论文（不确定作者在哪里工作）
• 谷歌的相似专利（这个更难阅读）

也许你可以从这些公司的所作所为中汲取灵感。我读过的大多数相似系统都属于以下类别之一：分段近似模型、回归模型和基于相似性的模型。

分段近似是与协同过滤类似的想法。这个想法是找出您的种子受众（即您过去的转化者）之间共享哪些兴趣。然后，您通过寻找具有相似兴趣特征的新个人来扩大受众范围。显然，只有在您掌握有关潜在客户兴趣的一些信息时，才能做到这一点。

回归模型尝试计算从 0（根本不类似于种子受众）到 1（种子受众的成员）的隶属函数。您使用此模型对每个潜在客户进行评分，获得足够高分的客户将包含在相似受众中。这种方法的一个具有挑战性的方面是您必须使用半监督训练。你有一组正面的例子（过去的转换者），你有一个更大的混合标签例子池（没有转换的人）。

基于相似性的模型通常尝试以无监督的方式为客户学习有用的表示。然后，您可以在表示空间中运行聚类，您的相似受众将是那些与您的种子受众高度重叠的聚类。或者，您可以在表示空间中进行相似性比较，并通过对您在转化者和其他潜在客户之间找到的相似性进行阈值化来构建相似的受众。

您使用的特定学习算法可能会根据您可用的数据而有所不同。上面的链接可能会激发一些想法。

希望有帮助！