计算广告学

目录
“新一代人工智能创新平台建设及其关键技术丛书”序
前言
第一篇 基础篇
第1章 计算广告背景 3
1.1 广告简介 3
1.1.1 定义与要素 3
1.1.2 产业链构成 4
1.1.3 广告的分类 6
1.2 在线广告 8
1.2.1 在线广告概念 8
1.2.2 产品形态发展 10
1.2.3 在线广告生态系统 17
1.2.4 行业发展概况 19
1.3 计算广告 23
1.3.1 计算广告概述 23
1.3.2 计算广告术语 25
1.3.3 计算广告发展 26
第二篇 市场篇
第2章 合约展示广告 33
2.1 定向广告模式 33
2.2 受众定向 34
2.2.1 受众定向方式 34
2.2.2 受众定向标签 35
2.2.3 用户标签体系 37
2.3 合约流量预测与分配 38
2.4 定向广告的发展趋势 41
2.5 定向广告的投放策略 42
2.6 典型案例 44
第3章 搜索广告与竞价广告 46
3.1 搜索广告模式 46
3.1.1 搜索广告产品形式 46
3.1.2 搜索广告产品策略 48
3.2 主流竞价机制 50
3.2.1 广义第一价格 50
3.2.2 广义第二价格 50
3.2.3 VCG竞价机制 51
3.2.4 竞价机制比较 52
3.3 竞价广告标签体系 52
3.4 竞价广告投放策略 53
3.4.1 关键词投放策略 53
3.4.2 关键词竞价模型 55
3.5 典型案例 56
第4章 程序化购买广告 59
4.1 程序化购买广告模式 59
4.1.1 在线广告计价模式 59
4.1.2 程序化购买交易模式 60
4.1.3 程序化购买广告流程 64
4.2 程序化购买广告生态链 65
4.2.1 需求方平台 65
4.2.2 广告交易平台 66
4.2.3 供应方平台 67
4.2.4 数据管理平台 68
4.3 程序化购买存在的问题与发展对策 69
4.3.1 程序化购买存在的问题 69
4.3.2 程序化购买发展对策 70
4.4 程序化购买广告的营销策略 72
4.5 程序化购买广告的投放策略 73
4.5.1 程序化购买广告的投放需求 73
4.5.2 程序化购买广告的投放策略设计 74
4.6 典型案例 78
第5章 原生广告与移动互联时代的广告 81
5.1 原生广告 81
5.1.1 原生广告的特点及分类 81
5.1.2 内容为王的营销策略 82
5.1.3 典型案例 87
5.2 多屏融合互动广告 89
5.2.1 多屏融合下的广告营销生态 89
5.2.2 融屏互动广告的营销策略 91
5.2.3 注重用户体验的投放策略 92
5.2.4 典型案例 93
5.3 移动互联时代的其他广告 95
5.3.1 社交广告 95
5.3.2 移动应用程序广告 96
5.3.3 微电影广告 98
5.3.4 互联网户外广告 100
5.3.5 典型案例 102
第6章 广告监测、广告归因与广告计划优化 107
6.1 广告监测 107
6.1.1 广告监测的意义 107
6.1.2 广告监测的3R模型 108
6.1.3 广告监测关键指标 109
6.1.4 广告监测方法 112
6.1.5 广告等效曝光体系 114
6.2 广告归因 115
6.2.1 广告从曝光到效果的三条路径 115
6.2.2 AB测试 117
6.2.3 多点归因模型 120
6.2.4 营销混合模型 122
6.3 广告计划优化 124
6.3.1 有效频次设定 124
6.3.2 基于历史到达曲线优化预算 126
6.3.3 基于同源数据优化触达效率 127
6.3.4 跨屏预算分配 128
第三篇 技术篇
第7章 合约展示技术 135
7.1 流量预测 135
7.2 频次控制 136
7.3 在线分配 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 受众定向技术 140
7.4.1 受众定向技术分类 140
7.4.2 上下文定向技术 141
7.4.3 文本主题模型 142
7.4.4 行为定向过程 144
第8章 搜索与竞价技术 146
8.1 搜索广告系统 146
8.2 查询扩展 147
8.2.1 基于词共现的扩展词选取方法 147
8.2.2 基于语言模型的伪相关反馈技术 148
8.2.3 基于LDA主题模型的查询扩展方法 149
8.2.4 基于深度学习的查询扩展方法 151
8.3 广告放置 154
8.4 广告检索 155
8.4.1 布尔表达式检索 156
8.4.2 Weight-And检索 156
8.4.3 近似最近邻检索 157
8.4.4 深度语义匹配模型 159
第9章 点击率预估与推荐技术 162
9.1 点击率预估 162
9.1.1 点击率预估问题描述 162
9.1.2 广告点击率特征处理 162
9.1.3 点击率预估基本模型 163
9.2 常见点击率预估模型 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 推荐技术 167
9.3.1 基于用户的协同过滤算法 167
9.3.2 基于物品的协同过滤算法 169
9.3.3 基于社交网络的推荐算法 170
9.4 典型案例 172
第10章 在线匹配技术 174
10.1 在线匹配理论 174
10.1.1 匹配问题起源 174
10.1.2 匹配基本概念 174
10.2 在线匹配算法 176
10.2.1 基于原始-对偶的匹配 176
10.2.2 典型的匹配算法——匈牙利算法 180
10.2.3 寻找最短增广路径——Hopcroft-Karp算法 182
10.2.4 最优权重匹配问题——KM算法 183
第11章 计算广告投放系统 186
11.1 计算广告投放系统架构 186
11.1.1 业务关联方 186
11.1.2 投放系统架构 186
11.2 投放系统各功能模块 188
11.3 投放系统应用实例 192
11.3.1 百度营销案例 192
11.3.2 品友互动营销案例 195
第12章 作弊与数据安全技术 198
12.1 作弊技术 198
12.1.1 作弊原因 198
12.1.2 作弊特征 199
12.1.3 作弊分类 199
12.1.4 作弊方法 203
12.2 反作弊技术 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 反作弊系统技术架构 208
12.3 数据安全与隐私保护技术 212
12.3.1 数据安全 212
12.3.2 隐私保护 213
12.4 典型案例 218
第13章 计算广告大数据技术 221
13.1 计算广告处理过程 221
13.1.1 计算广告处理框架 221
13.1.2 广告投放引擎 221
13.1.3 数据高速通路 224
13.1.4 离线/在线分布式处理 224
13.2 计算广告系统开源工具 227
13.2.1 Web服务器Nginx 227
13.2.2 全文检索引擎Lucene 229
13.2.3 分布式特征在线存储HBase 231
13.2.4 实时迭代计算框架Spark 236
13.2.5 分布式机器学习系统MLBase 237
参考文献 240