×
计算广告:互联网商业变现的市场与技术

计算广告:互联网商业变现的市场与技术

1星价 ¥62.3 (7.0折)
2星价¥62.3 定价¥89.0
  • 正版好图书
  • 特价书1折起
  • 满69包邮(新疆、西藏等六省除外,运费14元起)
暂无评论
图文详情
  • ISBN:9787115497482
  • 装帧:暂无
  • 版次:暂无
  • 册数:暂无
  • 重量:暂无
  • 印刷次数:暂无
  • 开本:24cm
  • 页数:323页
  • 出版时间:2019-09-01
  • 条形码:9787115497482 ; 978-7-115-49748-2

本书特色

计算广告是一项新兴的研究课题,它涉及大规模搜索和文本分析、信息获取、统计模型、机器学习、分类、优化以及微观经济学等诸多领域的知识。本书从实践出发,系统地介绍计算广告的产品、问题、系统和算法,并且从工业界的视角对这一领域进行具体技术的深入剖析。 本书立足于广告市场的根本问题,从计算广告各个阶段所遇到的市场挑战出发,以广告系统业务形态的需求和变化为主线,依次介绍合约广告系统、竞价广告系统、程序化交易市场等重要课题,并对计算广告涉及的关键技术和算法做深入的探讨,这一版中更是加入了深度学习的基础方法论及其在计算广告中的应用。 无论是互联网公司商业化部门的产品技术人员,还是对个性化系统、大数据变现或交易有兴趣的产品技术人员,传统企业互联网化进程的决策者,传统广告业务的从业者,互联网创业者,计算机相关专业研究生,都会从阅读本书中受益匪浅。

内容简介

本书第 1版出版以后,获得的业界反响超乎了我们的想象。实际上,本书已经广泛被互联网公司采用,作为商业化相关部门的培训教程,甚至还成了某大公司商业化部门年会时的”阳光普照奖”奖品。 经过一段时间的补充与修订,我们向读者奉上这次的新版,希望本书能帮助读者深入了解互联网流量与数据变现,洞察互联网增长与财富的秘密,搭建商业化与获客的产品技术体系。 对以下读者,我们相信本书值得一读: ● 互联网公司的商业化、大数据和用户增长部门的朋友; ● 传统广告与数字广告从业者; ● 对推荐、大数据、人工智能技术的应用有兴趣者; ● 转型中的传统企业和创业公司的战略决策者; ● 计算机相关专业学生。 在新版中,我们特别注重了从人工智能方法论的视角审视整个计算广告体系。通过本书对计算广告领域抽丝剥茧的解读,读者会认识到,除解决传统的感知和认知问题以外,人工智能领域形成的方法体系在广告这样的海量数据驱动且人类自身能力不强的问题上,有着巨大的施展空间。

目录

目录

第 一部分 在线广告市场与背景

第 1章 在线广告综述 3

1.1 免费模式与互联网核心资产 4

1.2 大数据与广告的关系 5

1.3 广告的定义与目的 7

1.4 在线广告表现形式 9

1.5 在线广告简史 15

第 2章 计算广告基础 20

2.1 广告有效性原理 21

2.2 互联网广告的技术特点 23

2.3 计算广告的核心问题 24

2.3.1 广告收入的分解 25

2.3.2 结算方式与eCPM估计的关系 26

2.4 在线广告相关行业协会 29

2.4.1 交互广告局 29

2.4.2 美国广告代理协会 30

2.4.3 美国国家广告商协会 30

第二部分 在线广告产品逻辑

第3章 在线广告产品概览 33

3.1 商业产品的设计原则 34

3.2 广告系统的产品接口 35

3.2.1 广告主层级组织与投放管理 35

3.2.2 供给方管理接口 38

3.2.3 供需之间多种接口形式 39

第4章 合约广告 41

4.1 广告位合约 42

4.2 受众定向 43

4.2.1 受众定向方法概览 43

4.2.2 受众定向标签体系 46

4.2.3 标签体系的设计思路 47

4.3 展示量合约 48

4.3.1 流量预测 49

4.3.2 流量塑形 50

4.3.3 在线分配 50

4.3.4 产品案例 51

第5章 搜索广告与竞价广告 53

5.1 搜索广告 54

5.1.1 搜索广告产品形态 55

5.1.2 搜索广告产品新形式 57

5.1.3 搜索广告产品策略 60

5.1.4 产品案例 62

5.2 位置拍卖与机制设计 64

5.2.1 市场保留价 65

5.2.2 定价问题 66

5.2.3 价格挤压 68

5.2.4 Myerson*优拍卖 69

5.2.5 定价结果示例 69

5.3 竞价广告网络 70

5.3.1 广告网络产品形态 71

5.3.2 广告网络产品策略 72

5.3.3 产品案例 73

5.4 竞价广告需求方产品 74

5.4.1 搜索引擎营销 74

5.4.2 交易终端 75

5.4.3 产品案例 75

5.5 竞价广告与合约广告的比较 77

第6章 程序化交易广告 78

6.1 实时竞价 79

6.2 其他程序化交易方式 82

6.2.1 优选 82

6.2.2 私有市场 83

6.2.3 程序化直投 84

6.2.4 广告交易方式谱系 84

6.3 广告交易平台 85

6.4 需求方平台 87

6.4.1 需求方平台产品策略 87

6.4.2 出价策略 88

6.4.3 出价和定价过程 89

6.4.4 重定向 89

6.4.5 新客推荐 91

6.4.6 产品案例 92

6.5 供给方平台 94

6.5.1 供给方平台产品策略 94

6.5.2 Header Bidding 95

6.5.3 产品案例 96

第7章 数据加工与交易 99

7.1 有价值的数据来源 100

7.2 数据管理平台 102

7.2.1 三方数据划分 102

7.2.2 第 一方数据管理平台 102

7.2.3 第三方数据管理平台 103

7.2.4 产品案例 104

7.3 数据交易的基本过程 107

7.4 隐私保护和数据安全 109

7.4.1 隐私保护问题 109

7.4.2 程序化交易中的数据安全 111

7.4.3 欧盟的通用数据保护条例 113

第8章 信息流与原生广告 115

8.1 移动广告的现状与挑战 116

8.1.1 移动广告的特点 117

8.1.2 移动广告的传统创意形式 117

8.1.3 移动广告的挑战 119

8.2 信息流广告 121

8.2.1 信息流广告的定义 121

8.2.2 信息流广告产品关键 123

8.3 其他原生广告相关产品 124

8.3.1 搜索广告 125

8.3.2 软文广告 125

8.3.3 联盟 125

8.4 原生广告平台 126

8.4.1 表现原生与场景原生 126

8.4.2 场景的感知与应用 127

8.4.3 植入式原生广告 128

8.4.4 产品案例 130

8.5 原生广告与程序化交易 134

第三部分 计算广告关键技术

第9章 计算广告技术概览 137

9.1 个性化系统框架 138

9.2 各类广告系统优化目标 139

9.3 计算广告系统架构 140

9.3.1 广告投放引擎 142

9.3.2 数据高速公路 143

9.3.3 离线数据处理 143

9.3.4 在线数据处理 144

9.4 计算广告系统主要技术 144

9.5 用开源工具搭建计算广告系统 146

9.5.1 Web服务器Nginx 146

9.5.2 分布式配置和集群管理工具ZooKeeper 148

9.5.3 全文检索引擎Lucene 148

9.5.4 跨语言通信接口Thrift 149

9.5.5 数据高速公路Flume 150

9.5.6 分布式数据处理平台Hadoop 150

9.5.7 特征在线缓存Redis 151

9.5.8 流计算平台Storm 152

9.5.9 高效的迭代计算框架Spark 152

第 10章 基础知识准备 154

10.1 信息检索 155

10.1.1 倒排索引 155

10.1.2 向量空间模型 157

10.2 *优化方法 158

10.2.1 拉格朗日法与凸优化 159

10.2.2 下降单纯形法 160

10.2.3 梯度下降法 160

10.2.4 拟牛顿法 162

10.3 统计机器学习 167

10.3.1 *大熵与指数族分布 168

10.3.2 混合模型和EM算法 169

10.3.3 贝叶斯学习 171

10.4 统计模型分布式优化框架 174

10.5 深度学习 175

10.5.1 深度神经网络优化方法 176

10.5.2 卷积神经网络(CNN) 177

10.5.3 递归神经网络(RNN) 178

10.5.4 生成对抗网络(GAN) 180

第 11章 合约广告核心技术 181

11.1 广告排期系统 182

11.2 担保式投送系统 183

11.2.1 流量预测 185

11.2.2 频次控制 186

11.3 在线分配 188

11.3.1 在线分配问题 188

11.3.2 在线分配问题举例 190

11.3.3 极限性能研究 192

11.3.4 实用优化算法 193

第 12章 受众定向核心技术 201

12.1 受众定向技术分类 202

12.2 上下文定向 203

12.3 文本主题挖掘 205

12.3.1 LSA模型 206

12.3.2 PLSI模型 206

12.3.3 LDA模型 207

12.3.4 词嵌入word2vec 208

12.4 行为定向 209

12.4.1 行为定向建模问题 210

12.4.2 行为定向特征生成 211

12.4.3 行为定向决策过程 214

12.4.4 行为定向的评测 215

12.5 人口属性预测 217

12.6 数据管理平台 218

第 13章 竞价广告核心技术 220

13.1 竞价广告计价算法 220

13.2 搜索广告系统 222

13.2.1 查询扩展 223

13.2.2 广告放置 226

13.3 广告网络 227

13.4 广告检索 229

13.4.1 布尔表达式的检索 230

13.4.2 相关性检索 234

13.4.3 基于DNN的语义建模 238

13.4.4 *近邻语义检索 241

第 14章 点击率预测模型 247

14.1 点击率预测 248

14.1.1 点击率基本模型 248

14.1.2 LR模型优化算法 249

14.1.3 点击率模型的校正 256

14.1.4 点击率模型的特征 257

14.1.5 点击率模型评测 262

14.1.6 智能频次控制 264

14.2 其他点击率模型 264

14.2.1 因子分解机 264

14.2.2 GBDT 265

14.2.3 深度学习点击率模型 267

14.3 探索与利用 268

14.3.1 强化学习与E&E 268

14.3.2 UCB方法 270

14.3.3 考虑上下文的 bandit 271

第 15章 程序化交易核心技术 272

15.1 广告交易平台 273

15.1.1 cookie 映射 273

15.1.2 询价优化 277

15.2 需求方平台 278

15.2.1 定制化用户标签 280

15.2.2 DSP中的点击率预测 282

15.2.3 点击价值估计 283

15.2.4 出价策略 284

15.3 供给方平台 284

第 16章 其他广告相关技术 286

16.1 创意优化 287

16.1.1 程序化创意 287

16.1.2 点击热力图 288

16.1.3 创意的发展趋势 289

16.2 实验框架 291

16.3 广告监测与归因 292

16.3.1 广告监测 292

16.3.2 广告安全 294

16.3.3 广告效果归因 295

16.4 作弊与反作弊 296

16.4.1 作弊的方法分类 296

16.4.2 常见的作弊方法 297

16.5 产品技术选型实战 301

16.5.1 媒体实战 302

16.5.2 广告主实战 304

16.5.3 数据提供方实战 306

第四部分 附录

附录 主要术语及缩写索引 311

参考文献 317
展开全部

作者简介

刘鹏(@北冥乘海生),现任科大讯飞副总裁,大数据研究院院长。他在清华大学获得博士学位后,加入微软亚洲研究院,从事人工智能研究,后参与创建雅虎北京研究院,出任高级科学家。他还曾任MediaV首席科学家、360商业化首席架构师等职。在多年从业经历中,他一直致力于将人工智能方法与海量数据相结合来解决工业界问题,负责过多个大型互联网商业产品体系。 他特别重视计算广告和大数据技术的普及,他讲授的“计算广告”在网易云课堂有超过3万名学生,已经成为业界进行相关培训的基础教程。他还曾担任北京大学、中国传媒大学等高校客座教授,讲授计算广告相关课程,为推动中国广告产业的数字化、智能化做出了贡献。 王超(@德川),于北京大学获得硕士学位后,曾就职于微博、汽车之家等公司的广告部门,从事计算广告领域的研究和实践工作。现任百度主任研发架构师,从事个性化推荐领域相关的工作。

快速
导航