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

互聯網廣告系統(架構演算法與智能化)

  • 作者：唐溪柳|責編:楊福川//羅詞亮
  • 出版社：機械工業
  • ISBN：9787111725824
  • 出版日期：2023/05/01
  • 裝幀：平裝
  • 頁數：336
人民幣：RMB 109 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    這是一部從工程實踐角度講解互聯網廣告系統的業務價值、產品形態、架構設計、技術選型、落地方法論、實施路徑和行業案例的著作，是作者在Google和騰訊從事廣告系統架構設計與工程實現的10余年經驗總結。
    通過本書，你將掌握以下內容：
    （1）互聯網廣告的生態和產品形態
    首先介紹了谷歌、Meta、亞馬遜、微軟等主要在線廣告平台；然後介紹了主要在線廣告網路和程序化購買生態；蕞后介紹了在線廣告產品形態，包括在線廣告的投遞方式和計費方式。主要目的是幫助讀者建立對互聯網廣告生態的宏觀認知。
    （2）廣告投放系統的架構與設計
    結合Facebook Marketing、Google Ads、Twitter Ads等廣告平台講解了廣告投放系統，主要內容包括廣告的層級結構、三個廣告平台API的特點及用法演示，以及API的基本設計原則和設計方法論。讀者可以從本章中學到現代廣告系統投放子系統的設計思想。
    （3）廣告系統的設計方法論
    互聯網廣告系統的規模往往比較大，詳細介紹了以分散式系統為代表的大規模網路系統的架構設計方法論，為讀者設計廣告系統打下基礎。
    （4）廣告系統的工程架構
    詳細講解了廣告播放系統的架構設計、廣告系統的數據架構設計、廣告系統中的A/B測試等。
    （5）廣告策略系統的架構設計
    首先介紹了廣告競價原理和廣告策略系統設計；然後講解了廣告系統預估子系統，包括預估模型數據處理、常用的模型評價方法與指標、常用的模型訓練方法，以及新廣告點擊率預估和轉化率預估。
    本書系統闡述了互聯網廣告系統設計的方方面面，對廣告系統、推薦系統、大數據系統的建設具有很高的參考價值。
作者介紹
唐溪柳|責編:楊福川//羅詞亮
    唐溪柳，資深廣告技術專家和軟體架構專家，先後就職于谷歌和騰訊，曾擔任騰訊廣告技術總監（T13專家工程師）、騰訊廣告引擎總架構師。主導了騰訊廣告檢索系統、海量數據分析系統、深度學習系統的架構設計與開發工作，以及騰訊社交廣告系統從0到1的搭建，現為匯量科技資深架構師。     從事軟體架構工作20余年，經歷過各種項目，從小型Web服務到大型企業應用程序。專註于深度學習系統技術、檢索系統、分散式網路服務、語言模型、大數據處理等方向，對編碼、設計原則、資料庫和軟體架構等概念有深刻理解。工作目標是創建健壯、安全和可擴展的軟體系統，熱衷於開發解決複雜問題並幫助組織實現目標的創新解決方案。     在領導開發團隊、管理資源以及與其他團隊協作方面經驗豐富，是一個優秀的溝通者，善於向非技術人員解釋複雜的技術概念。對細節有敏銳的洞察力，能夠在潛在風險和問題出現之前識別它們。
目錄
序
前言
第1章  互聯網廣告生態
  1.1  互聯網廣告生態的參與者
    1.1.1  主要在線廣告平台
    1.1.2  主要在線廣告網路
    1.1.3  程序化購買生態
  1.2  在線廣告產品形態
    1.2.1  在線廣告的投遞方式
    1.2.2  在線廣告的計費方式
  1.3  本章小結
第2章  廣告投放系統
  2.1  廣告層級結構
    2.1.1  Facebook Marketing廣告層級結構
    2.1.2  Google Ads廣告層級結構
    2.1.3  Twitter Ads廣告層級結構
  2.2  API的基本設計原則
    2.2.1  API的價值性
    2.2.2  API的規劃性
    2.2.3  API的靈活性
    2.2.4  API的可管理性
    2.2.5  API的可支持性
  2.3  廣告平台API
    2.3.1  Google Ads API
    2.3.2  Facebook Marketing API
    2.3.3  Twitter Ads API
  2.4  本章小結
第3章  大規模網路系統架構設計
  3.1  大規模網路系統歷史背景
  3.2  分散式集群管理系統
    3.2.1  Docker簡介
    3.2.2  微服務技術簡介
    3.2.3  Kubernetes簡介
  3.3  分散式文件系統
    3.3.1  GFS
    3.3.2  HDFS
  3.4  分散式存儲
    3.4.1  分散式存儲介紹
    3.4.2  HBase介紹
  3.5  分散式共識服務
    3.5.1  分散式共識演算法介紹
    3.5.2  ZooKeeper使用場景
  3.6  負載均衡
    3.6.1  前端請求的負載均衡
    3.6.2  數據中心內部的負載均衡
  3.7  監控與告警系統
  3.8  網路服務介面規範
    3.8.1  RESTful介紹
    3.8.2  GraphQL介紹
    3.8.3  RPC介紹

  3.9  本章小結
第4章  廣告播放系統架構設計
  4.1  廣告播放系統架構
  4.2  數據ETL模塊
    4.2.1  數據提取
    4.2.2  數據轉換
    4.2.3  數據載入
  4.3  檢索模塊
    4.3.1  文本檢索技術
    4.3.2  布爾檢索
    4.3.3  最近鄰搜索
  4.4  本章小結
第5章  廣告系統數據架構設計
  5.1  廣告系統數據架構
  5.2  廣告系統數據類型
    5.2.1  廣告元數據
    5.2.2  廣告日誌數據
    5.2.3  用戶畫像數據
    5.2.4  廣告上下文數據
    5.2.5  廣告主私有數據與再營銷
  5.3  數據管理平台
    5.3.1  數據管理平台簡介
    5.3.2  相似受眾擴展
  5.4  特徵工程平台
    5.4.1  特徵生產
    5.4.2  特徵補錄與訓練樣本數據流
    5.4.3  特徵存儲
    5.4.4  特徵處理演算法
    5.4.5  建設統一特徵工程平台的必要性
  5.5  本章小結
第6章  A/B測試與互聯網廣告
  6.1  A/B測試介紹
  6.2  收集實驗數據
    6.2.1  流量管理
    6.2.2  流量分層
  6.3  實驗數據分析
    6.3.1  大數定律與中心極限定理
    6.3.2  A/B測試中的樣本量估計
    6.3.3  辛普森悖論
    6.3.4  Mantel-Haenszel指標
    6.3.5  分桶與Jackknife重採樣
  6.4  實驗信息管理
  6.5  A/B測試的廣告應用場景
  6.6  本章小結
第7章  廣告系統策略
  7.1  廣告競價
    7.1.1  博弈論基礎
    7.1.2  納什均衡
    7.1.3  納什均衡存在性證明
    7.1.4  機制設計理論

    7.1.5  廣義第二價格競價
    7.1.6  VCG競價
  7.2  廣告策略系統設計
    7.2.1  廣告系統粗排設計
    7.2.2  廣告預算控制系統
    7.2.3  廣告調價演算法
  7.3  本章小結
第8章  預估演算法
  8.1  訓練數據準備與模型離線評估
    8.1.1  訓練數據準備
    8.1.2  模型離線評估
  8.2  常用的預估模型
    8.2.1  邏輯回歸模型與機器學習基礎
    8.2.2  支持自動特徵發現的模型方法
    8.2.3  深度學習模型
  8.3  新廣告點擊率預估
    8.3.1  湯普森採樣演算法
    8.3.2  蒙特卡洛採樣
    8.3.3  馬爾可夫鏈蒙特卡洛採樣
    8.3.4  吉布斯採樣
    8.3.5  拉普拉斯近似
  8.4  廣告轉化率預估
  8.5  本章小結

  • 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