計算廣告學

目錄
“新一代人工智能創(chuàng)新平臺建設及其關鍵技術叢書”序
前言
第一篇 基礎篇
第1章 計算廣告背景 3
1.1 廣告簡介 3
1.1.1 定義與要素 3
1.1.2 產(chǎn)業(yè)鏈構成 4
1.1.3 廣告的分類 6
1.2 在線廣告 8
1.2.1 在線廣告概念 8
1.2.2 產(chǎn)品形態(tài)發(fā)展 10
1.2.3 在線廣告生態(tài)系統(tǒng) 17
1.2.4 行業(yè)發(fā)展概況 19
1.3 計算廣告 23
1.3.1 計算廣告概述 23
1.3.2 計算廣告術語 25
1.3.3 計算廣告發(fā)展 26
第二篇 市場篇
第2章 合約展示廣告 33
2.1 定向廣告模式 33
2.2 受眾定向 34
2.2.1 受眾定向方式 34
2.2.2 受眾定向標簽 35
2.2.3 用戶標簽體系 37
2.3 合約流量預測與分配 38
2.4 定向廣告的發(fā)展趨勢 41
2.5 定向廣告的投放策略 42
2.6 典型案例 44
第3章 搜索廣告與競價廣告 46
3.1 搜索廣告模式 46
3.1.1 搜索廣告產(chǎn)品形式 46
3.1.2 搜索廣告產(chǎn)品策略 48
3.2 主流競價機制 50
3.2.1 廣義第一價格 50
3.2.2 廣義第二價格 50
3.2.3 VCG競價機制 51
3.2.4 競價機制比較 52
3.3 競價廣告標簽體系 52
3.4 競價廣告投放策略 53
3.4.1 關鍵詞投放策略 53
3.4.2 關鍵詞競價模型 55
3.5 典型案例 56
第4章 程序化購買廣告 59
4.1 程序化購買廣告模式 59
4.1.1 在線廣告計價模式 59
4.1.2 程序化購買交易模式 60
4.1.3 程序化購買廣告流程 64
4.2 程序化購買廣告生態(tài)鏈 65
4.2.1 需求方平臺 65
4.2.2 廣告交易平臺 66
4.2.3 供應方平臺 67
4.2.4 數(shù)據(jù)管理平臺 68
4.3 程序化購買存在的問題與發(fā)展對策 69
4.3.1 程序化購買存在的問題 69
4.3.2 程序化購買發(fā)展對策 70
4.4 程序化購買廣告的營銷策略 72
4.5 程序化購買廣告的投放策略 73
4.5.1 程序化購買廣告的投放需求 73
4.5.2 程序化購買廣告的投放策略設計 74
4.6 典型案例 78
第5章 原生廣告與移動互聯(lián)時代的廣告 81
5.1 原生廣告 81
5.1.1 原生廣告的特點及分類 81
5.1.2 內(nèi)容為王的營銷策略 82
5.1.3 典型案例 87
5.2 多屏融合互動廣告 89
5.2.1 多屏融合下的廣告營銷生態(tài) 89
5.2.2 融屏互動廣告的營銷策略 91
5.2.3 注重用戶體驗的投放策略 92
5.2.4 典型案例 93
5.3 移動互聯(lián)時代的其他廣告 95
5.3.1 社交廣告 95
5.3.2 移動應用程序廣告 96
5.3.3 微電影廣告 98
5.3.4 互聯(lián)網(wǎng)戶外廣告 100
5.3.5 典型案例 102
第6章 廣告監(jiān)測、廣告歸因與廣告計劃優(yōu)化 107
6.1 廣告監(jiān)測 107
6.1.1 廣告監(jiān)測的意義 107
6.1.2 廣告監(jiān)測的3R模型 108
6.1.3 廣告監(jiān)測關鍵指標 109
6.1.4 廣告監(jiān)測方法 112
6.1.5 廣告等效曝光體系 114
6.2 廣告歸因 115
6.2.1 廣告從曝光到效果的三條路徑 115
6.2.2 AB測試 117
6.2.3 多點歸因模型 120
6.2.4 營銷混合模型 122
6.3 廣告計劃優(yōu)化 124
6.3.1 有效頻次設定 124
6.3.2 基于歷史到達曲線優(yōu)化預算 126
6.3.3 基于同源數(shù)據(jù)優(yōu)化觸達效率 127
6.3.4 跨屏預算分配 128
第三篇 技術篇
第7章 合約展示技術 135
7.1 流量預測 135
7.2 頻次控制 136
7.3 在線分配 136
7.3.1 HWM算法 136
7.3.2 SHALE算法 138
7.3.3 Bid Scaling算法 139
7.4 受眾定向技術 140
7.4.1 受眾定向技術分類 140
7.4.2 上下文定向技術 141
7.4.3 文本主題模型 142
7.4.4 行為定向過程 144
第8章 搜索與競價技術 146
8.1 搜索廣告系統(tǒng) 146
8.2 查詢擴展 147
8.2.1 基于詞共現(xiàn)的擴展詞選取方法 147
8.2.2 基于語言模型的偽相關反饋技術 148
8.2.3 基于LDA主題模型的查詢擴展方法 149
8.2.4 基于深度學習的查詢擴展方法 151
8.3 廣告放置 154
8.4 廣告檢索 155
8.4.1 布爾表達式檢索 156
8.4.2 Weight-And檢索 156
8.4.3 近似最近鄰檢索 157
8.4.4 深度語義匹配模型 159
第9章 點擊率預估與推薦技術 162
9.1 點擊率預估 162
9.1.1 點擊率預估問題描述 162
9.1.2 廣告點擊率特征處理 162
9.1.3 點擊率預估基本模型 163
9.2 常見點擊率預估模型 164
9.2.1 GBDT+LR模型 164
9.2.2 MLR模型 164
9.2.3 FM模型 165
9.3 推薦技術 167
9.3.1 基于用戶的協(xié)同過濾算法 167
9.3.2 基于物品的協(xié)同過濾算法 169
9.3.3 基于社交網(wǎng)絡的推薦算法 170
9.4 典型案例 172
第10章 在線匹配技術 174
10.1 在線匹配理論 174
10.1.1 匹配問題起源 174
10.1.2 匹配基本概念 174
10.2 在線匹配算法 176
10.2.1 基于原始-對偶的匹配 176
10.2.2 典型的匹配算法——匈牙利算法 180
10.2.3 尋找最短增廣路徑——Hopcroft-Karp算法 182
10.2.4 最優(yōu)權重匹配問題——KM算法 183
第11章 計算廣告投放系統(tǒng) 186
11.1 計算廣告投放系統(tǒng)架構 186
11.1.1 業(yè)務關聯(lián)方 186
11.1.2 投放系統(tǒng)架構 186
11.2 投放系統(tǒng)各功能模塊 188
11.3 投放系統(tǒng)應用實例 192
11.3.1 百度營銷案例 192
11.3.2 品友互動營銷案例 195
第12章 作弊與數(shù)據(jù)安全技術 198
12.1 作弊技術 198
12.1.1 作弊原因 198
12.1.2 作弊特征 199
12.1.3 作弊分類 199
12.1.4 作弊方法 203
12.2 反作弊技術 204
12.2.1 反作弊流程 204
12.2.2 反作弊分析方法 205
12.2.3 反作弊措施 206
12.2.4 反作弊系統(tǒng)技術架構 208
12.3 數(shù)據(jù)安全與隱私保護技術 212
12.3.1 數(shù)據(jù)安全 212
12.3.2 隱私保護 213
12.4 典型案例 218
第13章 計算廣告大數(shù)據(jù)技術 221
13.1 計算廣告處理過程 221
13.1.1 計算廣告處理框架 221
13.1.2 廣告投放引擎 221
13.1.3 數(shù)據(jù)高速通路 224
13.1.4 離線/在線分布式處理 224
13.2 計算廣告系統(tǒng)開源工具 227
13.2.1 Web服務器Nginx 227
13.2.2 全文檢索引擎Lucene 229
13.2.3 分布式特征在線存儲HBase 231
13.2.4 實時迭代計算框架Spark 236
13.2.5 分布式機器學習系統(tǒng)MLBase 237
參考文獻 240