幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

在線廣告(互聯網廣告系統的架構及演算法)

  • 作者：編者:張亞東
  • 出版社：清華大學
  • ISBN：9787302526520
  • 出版日期：2019/08/01
  • 裝幀：平裝
  • 頁數：306
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    在線廣告是一個多學科交融的領域，本書力求系統地講解在線廣告的架構和演算法，讓讀者對在線廣告有一個整體的認識。全書共15章，第1?3章介紹在線廣告的發展簡史、樣式與創意以及廣告系統的架構流程等基礎知識；第4?7章從品牌廣告、搜索類廣告、社交類廣告和視頻類廣告4種典型的廣告出發，詳細講解廣告系統的更多設計細節；第8?14章分類講述在線廣告中的重要研究領域，包括用戶數據和定向演算法、點擊率預估與推薦演算法、在線匹配、機制設計、低質量和敏感控制、實驗架構和調參，以及數據監控和效果衡量；第15章簡要介紹在線廣告的發展趨勢。
    本書可作為對在線廣告感興趣的初學者的入門書籍，也可供在線廣告相關領域的從業者閱讀參考。
作者介紹
編者:張亞東
目錄
第1章  在線廣告發展簡史
  1.1  在線廣告發展簡介
    1.1.1  中國古代的廣告
    1.1.2  在線廣告的誕生
    1.1.3  搜索廣告的誕生和發展
    1.1.4  社交和視頻類廣告
    1.1.5  Ad Network的誕生
    1.1.6  Ad Exchange和TradingDesk
  1.2  移動廣告的發展
  1.3  搜索廣告和定價模式
  1.4  社交媒體廣告
  1.5  視頻廣告
  1.6  在線廣告優勢
  1.7  在線廣告規模
  參考文獻
第2章  廣告樣式與創意
  2.1  主流廣告樣式
    2.1.1  PC端廣告樣式
    2.1.2  移動端廣告樣式
  2.2  技術驅動營銷
  2.3  廣告樣式發展趨勢
  2.4  程序化創意
    2.4.1  程序化創意的緣由
    2.4.2  程序化創意
  2.5  動態創意優化
  參考文獻
第3章  廣告系統架構流程
  3.1  投放引擎架構流程
    3.1.1  廣告投放引擎架構
    3.1.2  客戶系統
    3.1.3  內部管理平台
    3.1.4  基礎架構及相關模塊
    3.1.5  廣告投放引擎內部模塊
    3.1.6  工具和測試平台
  3.2  收入分解
  3.3  程序化廣告技術生態
  3.4  Ad Network
    3.4.1  工作流程
    3.4.2  分類
    3.4.3  定向方式
    3.4.4  優勢
    3.4.5  移動廣告網路
  3.5  Ad Exchange
    3.5.1  產生背景
    3.5.2  工作流程
    3.5.3  與Ad Network的不同
    3.5.4  國內Ad Exchange的發展
  3.6  程序化售賣方式
  3.7  其他機制
    3.7.1  匿名設置

    3.7.2  Reserve Price
    3.7.3  Pre-Targeting
  參考文獻
第4章  品牌廣告
  4.1  品牌推廣的意義
  4.2  品牌廣告簡介
    4.2.1  品牌廣告
    4.2.2  品牌廣告常見形式
    4.2.3  計費和購買方式
    4.2.4  樣式和創意
  4.3  品牌廣告的有效性
  4.4  品牌廣告效果評估指標
  4.5  Benchmark
  參考文獻
第5章  搜索類廣告
  5.1  搜索廣告簡介
    5.1.1  搜索廣告的模式
    5.1.2  廣告投放及相關問題
    5.1.3  搜索廣告的優勢
  5.2  常見產品形態
    5.2.1  綜合搜索
    5.2.2  定製類搜索
    5.2.3  圖片類搜索
    5.2.4  內容定向
    5.2.5  電商類搜索
    5.2.6  應用商店搜索
    5.2.7  其他
  5.3  系統架構和重要模塊
    5.3.1  廣告架構
    5.3.2  廣告賬戶組織結構
    5.3.3  廣告檢索流程
    5.3.4  預算控制
    5.3.5  在線匹配
    5.3.6  機制設計
    5.3.7  計費流程
    5.3.8  准入
  5.4  主流競價機制
    5.4.1  GFP機制
    5.4.2  GSP機制
    5.4.3  VCG機制
  5.5  搜索生態
  5.6  GSP優化
    5.6.1  Weighted GSP
    5.6.2  Squashing
    5.6.3  UWR
    5.6.4  QWR
    5.6.5  Anchoring
    5.6.6  模型對比
    5.6.7  Hidden Cost
  5.7  長尾查詢

  5.8  市場規模
  參考文獻
第6章  社交類廣告
  6.1  社交媒體
    6.1.1  社交網路國度
    6.1.2  社交網路的特點
    6.1.3  常見的社交應用
    6.1.4  社交網路影響購買行為
  6.2  社交廣告
    6.2.1  常見廣告類型
    6.2.2  定向方式
  6.3  基於社交關係的演算法
    6.3.1  社交內容推薦演算法
    6.3.2  社區分割演算法
    6.3.3  社交內容擴散演算法
  6.4  社交網路營銷
  參考文獻
第7章  視頻類廣告
  7.1  視頻廣告簡介
    7.1.1  常見的廣告類型
    7.1.2  售賣方式
    7.1.3  廣告時長
  7.2  視頻廣告生態和投放流程
    7.2.1  視頻廣告生態
    7.2.2  廣告投放流程
  7.3  流量預估
    7.3.1  優化目標
    7.3.2  模型特徵
    7.3.3  特徵平滑處理
    7.3.4  流量預估函數
    7.3.5  模型評估方法
  7.4  庫存分配問題
  7.5  庫存分配演算法
    7.5.1  HWM
    7.5.2  優化調整
    7.5.3  反饋機制
    7.5.4  SHALE
  7.6  Pacing
  7.7  市場規模
  參考文獻
第8章  用戶數據和定向演算法
  8.1  用戶識別
    8.1.1  Cookie
    8.1.2  Cookie Matching
    8.1.3  移動端用戶識別
    8.1.4  跨屏識別
  8.2  用戶畫像
  8.3  定向方式
  8.4  經營狀況評估和優化
    8.4.1  評估指標

    8.4.2  CLV優化
    8.4.3  客戶關係管理和使用
  8.5  Lookalike
    8.5.1  特徵提取和建模
    8.5.2  擴展方式
    8.5.3  最近鄰選擇
    8.5.4  離線擴展流程
    8.5.5  node2vec
    8.5.6  實戰
  8.6  競價環境預估
  8.7  超級用戶
  參考文獻
第9章  點擊率預估與推薦演算法
  9.1  點擊率預估簡介
  9.2  點擊率預估特徵
    9.2.1  相同競價詞下其他訂單的特徵
    9.2.2  相關競價詞的CTR
    9.2.3  廣告質量相關特徵
    9.2.4  訂單競價詞相關特徵
    9.2.5  外部相關特徵
    9.2.6  特徵預處理
  9.3  預估模型
    9.3.1  基礎模型
    9.3.2  L2-TreeBoost+LR模型
    9.3.3  回歸樹
    9.3.4  Gradient Boosting
    9.3.5  L2-TreeBoost
    9.3.6  特徵組合
    9.3.7  Freshness
    9.3.8  數據採樣
  9.4  模型評估方法
    9.4.1  KL離散演算法
    9.4.2  AUC
    9.4.3  NE
  9.5  Bandit
    9.5.1  Bandit問題
    9.5.2  ε-Greedy方法
    9.5.3  Thompson Sampling
    9.5.4  UCB
    9.5.5  LinUCB
  9.6  在線學習方法
    9.6.1  梯度下降方法
    9.6.2  BGD
    9.6.3  SGD
    9.6.4  MBGD
    9.6.5  簡單截斷法
    9.6.6  截斷梯度法
    9.6.7  FOBOS
    9.6.8  RDA
    9.6.9  L1-FOBOS和L1-RDA的對比

    9.6.10  FTRL
  9.7  推薦演算法
  9.8  基於協同過濾的推薦
    9.8.1  基於用戶的協同過濾演算法
    9.8.2  基於物品的協同過濾演算法
    9.8.3  其他相似度計算方法
    9.8.4  應用
  9.9  基於矩陣分解的推薦
    9.9.1  矩陣分解
    9.9.2  正則化
    9.9.3  隱性特徵
  9.10  基於深度學習的推薦
    9.10.1  推薦流程
    9.10.2  排序
  9.11  廣告排序性能優化
  參考文獻
第10章  在線匹配
  10.1  圖論基礎知識
  10.2  在線匹配類型
  10.3  在線二部圖匹配
    10.3.1  Greedy演算法
    10.3.2  Random演算法
    10.3.3  Ranking演算法
  10.4  加權的在線二部圖匹配
  10.5  Adwords
    10.5.1  Greedy演算法
    10.5.2  Balance演算法與Greedy演算法對比
    10.5.3  MSVV演算法
    10.5.4  一般情況的證明
  10.6  基於原始對偶的匹配
    10.6.1  原始對偶問題
    10.6.2  互補鬆弛性
    10.6.3  Greedy演算法實現
    10.6.4  更優演算法
  10.7  現實系統中的匹配演算法
  參考文獻
第11章  機制設計
  11.1  機制設計概述
  11.2  經典案例
    11.2.1  囚徒困境
    11.2.2  二難問題
    11.2.3  無怨演算法
    11.2.4  TureView廣告
    11.2.5  策略性投票
  11.3  激勵兼容
    11.3.1  投票悖論
    11.3.2  阿羅不可能定理
  11.4  引入金錢的機制
    11.4.1  拍賣機制
    11.4.2  VCG機制

  11.5  激勵兼容的特性
  11.6  貝葉斯納什均衡
  11.7  競價機制分析
    11.7.1  臨界條件分析
    11.7.2  VCG機制
    11.7.3  Simplest GSP機制
    11.7.4  Weighted GSP機制
  11.8  擁擠控制
  參考文獻
第12章  低質量和敏感控制
  12.1  作弊背景
    12.1.1  作弊參與者
    12.1.2  作弊動機
  12.2  廣告作弊方法
    12.2.1  單機作弊
    12.2.2  黑客作弊
    12.2.3  有組織的網路作弊
    12.2.4  有組織的人工作弊
    12.2.5  基於大流量平台的作弊
  12.3  廣告反作弊
    12.3.1  反作弊架構
    12.3.2  反作弊演算法分類
  12.4  廣告質量
  12.5  數據安全
  參考文獻
第13章  實驗架構和調參
  13.1  A/B testing
  13.2  分層實驗
    13.2.1  分層實驗方案
    13.2.2  實驗平台
  13.3  實驗設計和分析
    13.3.1  置信度
    13.3.2  置信區間
    13.3.3  最少樣本數
    13.3.4  逐步放量
    13.3.5  50% vs 50%
    13.3.6  其他因素
    13.3.7  對比實驗局限
    13.3.8  參數化
  13.4  自動化調參
  參考文獻
第14章  數據監測和效果衡量
  14.1  第三方監測
  14.2  效果跟蹤
    14.2.1  歸因模型
    14.2.2  增效測試
  參考文獻
第15章  在線廣告的發展趨勢
  15.1  網路帶來的變化
  15.2  未來發展趨勢

    15.2.1  流量入口
    15.2.2  需求和市場
附錄A  單詞表

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032