特征Recommendations
在构建区段时，从您自己的第一方特征和Audience Marketplace数据馈送获得实时特征推荐。
视频演示
首先观看下面的Trait Recommendations视频，然后阅读以了解更多信息。 此视频演示向您展示了如何使用来自您自己的第一方特征的推荐，以及来自Audience Marketplace数据馈送（您 已订阅）的特征推荐。
下一个视频概述了Marketplace Recommendations的工作流，向您展示了如何根据Audience Marketplace中的数据馈送中的推荐向区段添加特征。 这些建议基于 您未订阅 的数据馈送。
概述
由Adobe Sensei提供支持的Trait Recommendations将数据科学融入到您的Audience Manager日常工作流程中。
使用Trait Recommendations，在区段生成器中生成或编辑区段时，您能够获得可包含的其他推荐特征（与区段规则中的特征类似）。
Audience Manager会在 Recommendations 部分和 Recommendations from Marketplace 部分分别显示来自第一方特征和 Audience Marketplace 的特征推荐。
将推荐的特征添加到区段中，可增加目标受众。
简而言之：
- Audience Manager显示Recommendations部分中的第一方特征。 来自您未订阅的公开和私有信息源的Marketplace建议将显示在Recommendations from Marketplace部分中。 单击馈送名称以转到Audience Marketplace并订阅。
- Audience Manager最多可显示50个与区段规则中特征相似的特征。
- 您可以过滤掉不想查看任何推荐的数据源。
- 计算相似性时，Audience Manager会考虑过去30天内符合特征条件的个UUID。
- 如果您看到错误消息“未找到类似的特征。 特征可能太新。”，这表示该特征在过去30天内没有活动，或者Audience Manager尚未更新该特征的推荐。 请在24小时后重试。
用例
使用Trait Recommendations，您可以根据使用Audience Manager的方式改进工作流：
- 作为营销人员，您可以借助相似的特征，快速找到对互补产品感兴趣的受众，以便扩大您的影响力。
- 如果您使用Audience Manager作为具有Trait Recommendations的发布者，则可以了解受众行为并为广告销售或用户获取构建更好的区段。
- 作为Audience Marketplace数据购买者，我希望在不浏览大量馈送的情况下发现相关的第三方数据。
- 作为Audience Marketplace数据提供商，我想向购买者推荐相关数据，以便我从最佳和相关订阅中受益。
特征Recommendations和算法模型之间的差异
算法模型
Algorithmic Models不仅会找到最具影响力的特征，还会根据这些特征对用户进行评分，并为每个用户分配一个得分。 然后，便可以通过创建算法特征来定位用户。利用Trait Builder中的精度和范围控件，您可以指定哪些用户具有要定位的有影响力特征。
Algorithmic Models允许您选择不同精度级别的用户，并在Audience Lab中测试哪组用户的转化率更高。 有关详细用例，请参阅在 Audience Lab 中比较模型。
在Algorithmic Models中，模型每8天运行一次，并刷新符合算法特征的用户。
特征Recommendations
Trait Recommendations是一种快速了解与您在区段中使用的特征相似的其他特征的方法。
您应在以下情况下使用Trait Recommendations：
- 构建区段时需要快速获取信息；
- 要将区段用于短期促销活动，或者希望快速抑制转化的受众；
- 想要最大化范围。
工作流
在区段生成器中生成或编辑区段时，您可以浏览与区段规则中的特征相似的特征。 区段生成器工作流与新区段和现有区段非常相似：
新区段
-
转到 受众数据>区段，然后单击 新增。
-
在 特征 下拉框中，向区段规则至少添加一个特征。
-
您可以在 Recommendations 部分中查看来自您订阅的馈送的第一方推荐特征和Audience Marketplace特征推荐。 Recommendations from Marketplace 部分显示来自您未订阅的源的特征推荐。 所有这些推荐都与您添加到区段规则的特征类似。 向下滚动查看所有推荐的特征。
-
（可选）要从特定数据源中排除推荐的第一方特征，请为要排除的数据源单击 X 符号。
note note NOTE 排除的数据源会显示在推荐特征列表的正上方。 单击灰色框中的 X 可删除排除项并再次查看相应数据源的结果。 1. 要将推荐的特征添加到区段规则，请单击**+**符号。
现有区段
-
转到 Audience Data>Segments，选择要编辑的区段并单击
-
向下滚动到Traits下拉框。
-
您可以看到推荐的特征，这些特征与区段规则中已存在的特征类似。 向下滚动查看所有推荐的特征。
-
（可选）要从特定数据源中排除推荐的特征，请为要排除的数据源单击 X 符号。
note note NOTE 排除的数据源会显示在推荐特征列表的正上方。 单击灰色框中的 X 可删除排除项并再次查看相应数据源的结果。 1. 要将推荐的特征添加到区段规则，请单击**+**符号。
创建或编辑区段并将某个特征添加到区段规则时，您最多会看到50个推荐特征，与添加的特征类似。 如果区段规则包含多个特征，Audience Manager会使用循环方法为每个特征显示最佳匹配，然后为每个特征显示次最佳匹配，依此类推，对于区段规则中按人口统计的最大50个特征。
例如，区段规则中有三个特征时（如下所示），建议的特征包括：
- 特征3（人口最多的特征）的最佳匹配；
- 特征1的最佳匹配；
- 特征2的最佳匹配；
- 特征3次优匹配；
- 在获得50个特征之前，该特征会一直排在第二位，与特征1匹配，以此类推。
要获取特定特征的推荐，您可以在区段规则(1)或推荐的特征视图(2)中单击特征。
单击第一方特征会打开一个弹出窗口，如下图所示。 如果推荐的特征不是区段的一部分，则可以按 + 将其添加到区段。
工作原理
为了生成特征推荐，Audience Manager将计算Target特征与您帐户有权访问的所有其他特征（包括第三方数据）之间的Jaccard相似度。 然后，Audience Manager会显示最多五十个具有最高相似度的特征。
特征相似度分数 trait-similarity-score
Audience Manager通过计算UUID个数的交集和并集来计算两个特征之间的Trait Similarity Score，然后将两个特征相除。 对于两个特征A和B，计算方式如下所示：
另请参阅下面的两个示例。
示例1 — 低特征相似度分数
给定两个特征A和B，假设每个特征都有一个人口1,000,000个UUID，其中25,000个UUID同时符合这两个特征。
使用上面的公式，其结果为：25,000 / 1,975,000 = 0.012。Trait Similarity Score较低，两个特征非常不同。
示例2 — 特征相似度分数
如果相同的特征A和B具有400,000个同时符合两个特征的UUID，则Trait Similarity Score要高得多：
400,000 / 1,600,000 = 0.25
如何解释特征相似度得分
使用下表作为特征相似度的粗略指南。 此指南基于在大多数特征中观察到的相似性得分。
基于角色的访问控制(RBAC)
对于使用Role-Based Access Controls (RBAC)的公司，您需要具有创建和编辑区段的权限才能查看推荐的特征。 您看到的特征推荐只是您通过RBAC有权访问的数据源中的特征推荐。
在此处阅读有关RBAC控件的更多信息。
限制
- 目前，Audience Manager不会将文件夹特征显示为推荐的特征。 在此处阅读有关文件夹特征的更多信息。
- 显示特征Recommendations时，Audience Manager在区段规则中未考虑Boolean运算符(AND、OR、NOT)。