近年来,随着互联网的发展,移动在线社交的出现虽然给商家和第三产业服务商提供了大量的机遇,但也带来了“信息过载”等负面影响。精准营销一直是服务商和运营商最重要的业务部分,面对数量庞大的用户和数以亿计的用户数据,传统的标签式推荐系统难以快速精准的找到潜在目标用户。随着机器学习的兴起,“定制化受众”的概念在推荐领域得到了广泛应用。“定制化受众”的含义是当平台拥有了一定规模体量的用户后,平台推荐系统可以自动为有需要的商家发现潜在受众用户,即使该用户之前与该商家并未有实际的接触。定制化受众的核心思想是Look-alike服务,它的定位是“以人找人”的思维模式,广告商向平台提供已有用户群作为算法种子样本,定制化受众系统自动在平台内寻找出潜在目标客户群。一个完整的定制化受众系统通常情况下由用户、广告商、用户数据三个对象组成。本文的主要研究内容是基于社交关系的潜在用户扩展,在推荐算法的基础理论研究下,提出了一种基于社交关系的定制化受众算法模型。该模型让企业不用再去对用户进行基于属性或兴趣进行标签划分,能够利用用户社交关系,快速挖掘潜在用户。模型使用word2vec算法完成了用户属性信息、社交文本信息的向量化,借用node2vec算法计算邻居结点的思路,利用卷积神经网络计算用户特征向量集合,根据临近相似规则,从大量数据中到与种子用户相似度最高的人。通过与协同过滤算法对比,模型准确度较高,达到了优化的目的。基于该模型,文章结合了某运动潮牌工作室实际情况和前期经营积累下来的用户数据和商品数据,根据工作室的业务需求及其应用场景,设计并实现了基于社交关系的定制化受众系统。系统以微博平台作为搭载,主要分为数据采集、数据处理、微博传播指数计算、用户受众发现和结果分析五大模块。该系统集数据抓取、数据处理、用户发现、数据分析于一体,用户可以根据微博互动情况获取微博传播情况,并结合用户反馈调整商品推广计划。文章设计并实现的定制化受众系统,考虑了不同亲密度的社交关系对推荐结果的影响,在算法的设计中,加重了点赞和转发所带来的二次传播在社交关系中的影响权重。在系统模拟的推荐结果中,转化率较高,初步达到了用户扩展的目的。同时,在完成基于社交的用户发现后,广告商还可以根据数据分析情况查看用户推广情况,同时根据数据分析情况进行参数优化,以期不断提高用户扩展的准确率和转化率,达到较好的用户扩展的目的。