幫助中心 | 我的帳號 | 關於我們

廣告與營銷風控(方法與實踐)

  • 作者:王東旭|責編:楊福川//王華慶
  • 出版社:機械工業
  • ISBN:9787111764021
  • 出版日期:2024/11/01
  • 裝幀:平裝
  • 頁數:282
人民幣:RMB 99 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書從技術和業務角度全面闡述互聯網廣告與營銷的黑灰產業鏈,以及應對各種風險的風控思路和解決方案。
    在業務層面,結合行業發展現狀以及當前AIGC技術快速爆發的背景,對廣告與營銷領域的黑灰產業鏈進行了深入剖析,特別是人、貨、場之間的博弈關係,以及商家、渠道、用戶、平台等不同參與方的利益鏈等。
    在技術層面,基於前置的業務剖析,深入探討了基於概率統計、近鄰演算法、圖分析和時序分析等異常檢測方法,並結合內容風控技術,提供了一套立體的面向互聯網廣告與營銷場景的風控解決方案。每一章都結合了理論與實踐,通過豐富的案例分析,幫助讀者深入理解風控技術的應用,並掌握如何應對AIGC時代廣告與營銷領域的新挑戰。
    本書的讀者對象包括互聯網廣告與營銷行業的演算法、工程、運營、產品從業者,既包括正向的搜索、推薦、廣告業務人員,也包括負向的風險控制業務方向,以及廣告報表、結算、埋點、歸因等中間數據團隊人員。此外,對互聯網安全攻防感興趣的愛好者、開設相關課程的在校師生也可閱讀本書。
    通過閱讀本書,你可以收穫以下知識。
    (1)互聯網廣告的發展歷程和演變過程,以及常見的互聯網廣告形態。
    (2)互聯網廣告與營銷領域背後的攻防博弈和黑灰產利益鏈。
    (3)基於概率統計、近鄰相似檢索、圖關係分析、時序序列等異常檢測方法。
    (4)圖像、文本、視頻、直播等多媒體內容安全識別方法。
    (5)在線、近線、離線互補的風控系統架構,風控領域MLOps循環。
    (6)AIGC技術爆發下的新風險對抗思路。
    希望讀者朋友在本書中,能夠找到和自己業務或研究方向相匹配的內容,知行合一,把書中介紹的方法應用到自身具體的業務場景,讓知識發揮更大的價值,一起「建設更安全的互聯網」!

作者介紹
王東旭|責編:楊福川//王華慶
    王東旭,畢業於北京郵電大學,師從國內著名安全組織「幻影旅團」成員luoluo,在2013年通過為多家廠商挖掘、提報安全漏洞成為WooYun社區白帽子。先後在百度垂直搜索部、第四範式先知機器學習平台任職,目前擔任阿里巴巴高級技術專家,負責淘寶電商廣告流量反作弊和內容風控業務的演算法工程方向工作,深耕互聯網廣告與營銷行業一線,對流量反作弊和內容風控背後的利益鏈條和攻防博弈有豐富的實踐經驗,帶領團隊完成了風控引擎的全面升級,打造了百億流量規模在線、近線、離線互補的互聯網電商風控系統。

目錄
前言
第1章  互聯網廣告與營銷
  1.1  營銷、廣告與流量
    1.1.1  營銷、廣告、流量的定義
    1.1.2  流量的價值
    1.1.3  流量商業化變現模式
    1.1.4  自然流量和廣告流量
    1.1.5  流量質量和無效流量
  1.2  互聯網廣告營銷基礎知識
    1.2.1  互聯網廣告發展史
    1.2.2  主流廣告形式
    1.2.3  廣告營銷參與方
    1.2.4  歸因分析模型
    1.2.5  計費方式和作弊風險
  1.3  互聯網廣告營銷形勢
    1.3.1  營收發展形勢
    1.3.2  新媒體創新形勢
    1.3.3  監管合規形勢
  1.4  本章小結
第2章  廣告與營銷黑灰產業鏈
  2.1  營銷的人、貨、場
    2.1.1  人:用戶需求
    2.1.2  貨:精準獲客
    2.1.3  場:流量為王
  2.2  廣告與營銷的利益鏈
    2.2.1  商家視角的利益和風險
    2.2.2  渠道視角的利益和風險
    2.2.3  用戶視角的利益和風險
    2.2.4  平台視角的利益和風險
  2.3  黑灰產作弊上下游鏈路
    2.3.1  黑灰產上游
    2.3.2  黑灰產中游
    2.3.3  黑灰產下游
  2.4  本章小結
第3章  廣告與營銷領域的立體風控思路
  3.1  廣告與營銷風控範疇
    3.1.1  流量反作弊
    3.1.2  內容風控
  3.2  風控業務生命周期
    3.2.1  事前階段
    3.2.2  事中階段
    3.2.3  事後階段
  3.3  風控立體防禦體系
    3.3.1  在線風控
    3.3.2  近線風控
    3.3.3  離線風控
  3.4  風控MLOps
    3.4.1  什麼是風控MLOps
    3.4.2  風控MLOps流水線
  3.5  本章小結

第4章  異常檢測技術概述
  4.1  什麼是異常檢測
    4.1.1  有監督異常檢測
    4.1.2  半監督異常檢測
    4.1.3  無監督異常檢測
  4.2  異常檢測面臨的問題和挑戰
    4.2.1  異常的稀疏性
    4.2.2  異常的多樣性
    4.2.3  異常的對抗性
    4.2.4  異常檢測的魯棒性
    4.2.5  異常檢測的可解釋性
    4.2.6  異常檢測的可控制性
  4.3  基於規則的異常檢測
    4.3.1  基於名單的規則
    4.3.2  基於窗口聚合的規則
  4.4  基於模型的異常檢測
  4.5  本章小結
第5章  基於概率統計的異常檢測
  5.1  異常檢測中的概率知識
    5.1.1  拋硬幣問題
    5.1.2  獨立同分佈
    5.1.3  離散概率分佈
    5.1.4  連續概率分佈
  5.2  擬合優度
    5.2.1  卡方檢驗
    5.2.2  G檢驗
    5.2.3  K-S檢驗
  5.3  極值分析和尾概率約束
    5.3.1  馬爾可夫不等式
    5.3.2  切比雪夫不等式
    5.3.3  切爾諾夫界
    5.3.4  中心極限定理
  5.4  多維隨機變數異常檢測
    5.4.1  COPOD
    5.4.2  ECOD
  5.5  集成決策方法
    5.5.1  Bagging
    5.5.2  Boosting
    5.5.3  Stacking
  5.6  本章小結
第6章  基於近鄰的異常檢測
  6.1  LOF
    6.1.1  演算法原理
    6.1.2  刷單騙補應用案例
  6.2  KNN
    6.2.1  K近鄰分類
    6.2.2  K近鄰距離度量
  6.3  ANN
    6.3.1  風險向量表示方法
    6.3.2  風險向量檢索演算法

    6.3.3  相似風險檢索業務應用
  6.4  近鄰聚類
    6.4.1  K-Means
    6.4.2  DBSCAN
  6.5  本章小結
第7章  基於圖的異常檢測
  7.1  什麼是圖
    7.1.1  圖的基本概念
    7.1.2  圖的分類
    7.1.3  作弊圖的構建分析
  7.2  作弊社區發現
    7.2.1  標籤傳播
    7.2.2  連通分量
    7.2.3  Louvain
    7.2.4  Fraudar
  7.3  圖嵌入
    7.3.1  為什麼需要圖嵌入
    7.3.2  圖嵌入方法
    7.3.3  風控應用場景
  7.4  本章小結
第8章  基於時序的異常檢測
  8.1  風控中的時序特徵
    8.1.1  什麼是時序特徵
    8.1.2  時序特徵工程
  8.2  基於時序的異常檢測演算法
    8.2.1  統計類演算法
    8.2.2  深度學習類演算法
  8.3  CEP技術
  8.4  本章小結
第9章  內容風控技術
  9.1  文本風控
    9.1.1  關鍵詞過濾
    9.1.2  文本分類
    9.1.3  相似文本檢索
  9.2  圖像風控
    9.2.1  圖像分類
    9.2.2  圖像檢測
    9.2.3  圖像檢索
    9.2.4  OCR技術
  9.3  短視頻和直播風控
    9.3.1  視頻抽幀
    9.3.2  關鍵幀提取
    9.3.3  視頻相似檢索
    9.3.4  直播間風控
  9.4  本章小結
第10章  廣告與營銷風控未來思考
  10.1  業務:理解業務,服務於業務
  10.2  數據:合規埋點和科學歸因
  10.3  演算法:經驗驅動和數據驅動相結合
  10.4  系統:在線、近線、離線互補可持續的架構

  10.5  AIGC:帶來的新挑戰
  10.6  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