第一部分　在綫廣告市場與背景
第1章　在綫廣告綜述3
1.1　免費模式與互聯網核心資産4
1.2　大數據與廣告的關係5
1.3　廣告的定義與目的7
1.4　在綫廣告錶現形式9
1.5　在綫廣告簡史15
第2章　計算廣告基礎20
2.1　廣告有效性原理21
2.2　互聯網廣告的技術特點23
2.3　計算廣告的核心問題24
2.3.1　廣告收入的分解25
2.3.2　結算方式與eCPM估計的關係26
2.4　在綫廣告相關行業協會29
2.4.1　交互廣告局29
2.4.2　美國廣告代理協會30
2.4.3　美國國傢廣告商協會30
第二部分　在綫廣告産品邏輯
第3章　在綫廣告産品概覽33
3.1　商業産品的設計原則34
3.2　廣告係統的産品接口35
3.2.1　廣告主層級組織與投放管理35
3.2.2　供給方管理接口38
3.2.3　供需之間多種接口形式39
第4章　閤約廣告41
4.1　廣告位閤約42
4.2　受眾定嚮43
4.2.1　受眾定嚮方法概覽43
4.2.2　受眾定嚮標簽體係46
4.2.3　標簽體係的設計思路47
4.3　展示量閤約48
4.3.1　流量預測49
4.3.2　流量塑形50
4.3.3　在綫分配50
4.3.4　産品案例51
第5章　搜索廣告與競價廣告53
5.1　搜索廣告54
5.1.1　搜索廣告産品形態55
5.1.2　搜索廣告産品新形式57
5.1.3　搜索廣告産品策略60
5.1.4　産品案例62
5.2　位置拍賣與機製設計64
5.2.1　市場保留價65
5.2.2　定價問題66
5.2.3　價格擠壓68
5.2.4　Myerson最優拍賣69
5.2.5　定價結果示例69
5.3　競價廣告網絡70
5.3.1　廣告網絡産品形態71
5.3.2　廣告網絡産品策略72
5.3.3　産品案例73
5.4　競價廣告需求方産品74
5.4.1　搜索引擎營銷74
5.4.2　交易終端75
5.4.3　産品案例75
5.5　競價廣告與閤約廣告的比較77
第6章　程序化交易廣告78
6.1　實時競價79
6.2　其他程序化交易方式82
6.2.1　優選82
6.2.2　私有市場83
6.2.3　程序化直投84
6.2.4　廣告交易方式譜係84
6.3　廣告交易平颱85
6.4　需求方平颱87
6.4.1　需求方平颱産品策略87
6.4.2　齣價策略88
6.4.3　齣價和定價過程89
6.4.4　重定嚮89
6.4.5　新客推薦91
6.4.6　産品案例92
6.5　供給方平颱94
6.5.1　供給方平颱産品策略94
6.5.2　HeaderBidding95
6.5.3　産品案例96
第7章　數據加工與交易99
7.1　有價值的數據來源100
7.2　數據管理平颱102
7.2.1　三方數據劃分102
7.2.2　第一方數據管理平颱102
7.2.3　第三方數據管理平颱103
7.2.4　産品案例104
7.3　數據交易的基本過程107
7.4　隱私保護和數據安全109
7.4.1　隱私保護問題109
7.4.2　程序化交易中的數據安全111
7.4.3　歐盟的通用數據保護條例113
第8章　信息流與原生廣告115
8.1　移動廣告的現狀與挑戰116
8.1.1　移動廣告的特點117
8.1.2　移動廣告的傳統創意形式117
8.1.3　移動廣告的挑戰119
8.2　信息流廣告121
8.2.1　信息流廣告的定義121
8.2.2　信息流廣告産品關鍵123
8.3　其他原生廣告相關産品124
8.3.1　搜索廣告125
8.3.2　軟文廣告125
8.3.3　聯盟125
8.4　原生廣告平颱126
8.4.1　錶現原生與場景原生126
8.4.2　場景的感知與應用127
8.4.3　植入式原生廣告128
8.4.4　産品案例130
8.5　原生廣告與程序化交易134
第三部分　計算廣告關鍵技術
第9章　計算廣告技術概覽137
9.1　個性化係統框架138
9.2　各類廣告係統優化目標139
9.3　計算廣告係統架構140
9.3.1　廣告投放引擎142
9.3.2　數據高速公路143
9.3.3　離綫數據處理143
9.3.4　在綫數據處理144
9.4　計算廣告係統主要技術144
9.5　用開源工具搭建計算廣告係統146
9.5.1　Web服務器Nginx146
9.5.2　分布式配置和集群管理工具ZooKeeper148
9.5.3　全文檢索引擎Lucene148
9.5.4　跨語言通信接口Thrift149
9.5.5　數據高速公路Flume150
9.5.6　分布式數據處理平颱Hadoop150
9.5.7　特徵在綫緩存Redis151
9.5.8　流計算平颱Storm152
9.5.9　高效的迭代計算框架Spark152
第10章　基礎知識準備154
10.1　信息檢索155
10.1.1　倒排索引155
10.1.2　嚮量空間模型157
10.2　最優化方法158
10.2.1　拉格朗日法與凸優化159
10.2.2　下降單純形法160
10.2.3　梯度下降法160
10.2.4　擬牛頓法162
10.3　統計機器學習167
10.3.1　最大熵與指數族分布168
10.3.2　混閤模型和EM算法169
10.3.3　貝葉斯學習171
10.4　統計模型分布式優化框架174
10.5　深度學習175
10.5.1　深度神經網絡優化方法176
10.5.2　捲積神經網絡（CNN）177
10.5.3　遞歸神經網絡（RNN）178
10.5.4　生成對抗網絡（GAN）180
第11章　閤約廣告核心技術181
11.1　廣告排期係統182
11.2　擔保式投送係統183
11.2.1　流量預測185
11.2.2　頻次控製186
11.3　在綫分配188
11.3.1　在綫分配問題188
11.3.2　在綫分配問題舉例190
11.3.3　極限性能研究192
11.3.4　實用優化算法193
第12章　受眾定嚮核心技術201
12.1　受眾定嚮技術分類202
12.2　上下文定嚮203
12.3　文本主題挖掘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　詞嵌入word2vec208
12.4　行為定嚮209
12.4.1　行為定嚮建模問題210
12.4.2　行為定嚮特徵生成211
12.4.3　行為定嚮決策過程214
12.4.4　行為定嚮的評測215
12.5　人口屬性預測217
12.6　數據管理平颱218
第13章　競價廣告核心技術220
13.1　競價廣告計價算法220
13.2　搜索廣告係統222
13.2.1　查詢擴展223
13.2.2　廣告放置226
13.3　廣告網絡227
13.4　廣告檢索229
13.4.1　布爾錶達式的檢索230
13.4.2　相關性檢索234
13.4.3　基於DNN的語義建模238
13.4.4　最近鄰語義檢索241
第14章　點擊率預測模型247
14.1　點擊率預測248
14.1.1　點擊率基本模型248
14.1.2　LR模型優化算法249
14.1.3　點擊率模型的校正256
14.1.4　點擊率模型的特徵257
14.1.5　點擊率模型評測262
14.1.6　智能頻次控製264
14.2　其他點擊率模型264
14.2.1　因子分解機264
14.2.2　GBDT265
14.2.3　深度學習點擊率模型267
14.3　探索與利用268
14.3.1　強化學習與E&E268
14.3.2　UCB方法270
14.3.3　考慮上下文的bandit271
第15章　程序化交易核心技術272
15.1　廣告交易平颱273
15.1.1　cookie映射273
15.1.2　詢價優化277
15.2　需求方平颱278
15.2.1　定製化用戶標簽280
15.2.2　DSP中的點擊率預測282
15.2.3　點擊價值估計283
15.2.4　齣價策略284
15.3　供給方平颱284
第16章　其他廣告相關技術286
16.1　創意優化287
16.1.1　程序化創意287
16.1.2　點擊熱力圖288
16.1.3　創意的發展趨勢289
16.2　實驗框架291
16.3　廣告監測與歸因292
16.3.1　廣告監測292
16.3.2　廣告安全294
16.3.3　廣告效果歸因295
16.4　作弊與反作弊296
16.4.1　作弊的方法分類296
16.4.2　常見的作弊方法297
16.5　産品技術選型實戰301
16.5.1　媒體實戰302
16.5.2　廣告主實戰304
16.5.3　數據提供方實戰306
第四部分　附錄
附錄　主要術語及縮寫索引311
參考文獻317
· · · · · · (收起)