第1章 在线广告发展简史 1
1.1 在线广告发展简介 2
1.1.1 中国古代的广告 2
1.1.2 在线广告的诞生 3
1.1.3 搜索广告的诞生和发展 4
1.1.4 社交和视频类广告 6
1.1.5 Ad Network的诞生 6
1.1.6 Ad Exchange和TradingDesk 7
1.2 移动广告的发展 8
1.3 搜索广告和定价模式 11
1.4 社交媒体广告 15
1.5 视频广告 17
1.6 在线广告优势 19
1.7 在线广告规模 21
参考文献 21
第2章 广告样式与创意 25
2.1 主流广告样式 26
2.1.1 PC端广告样式 26
2.1.2 移动端广告样式 27
2.2 技术驱动营销 31
2.3 广告样式发展趋势 32
2.4 程序化创意 34
2.4.1 程序化创意的缘由 34
2.4.2 程序化创意 35
2.5 动态创意优化 37
参考文献 39
第3章 广告系统架构流程 41
3.1 投放引擎架构流程 42
3.1.1 广告投放引擎架构 42
3.1.2 客户系统 43
3.1.3 内部管理平台 44
3.1.4 基础架构及相关模块 45
3.1.5 广告投放引擎内部模块 46
3.1.6 工具和测试平台 48
3.2 收入分解 48
3.3 程序化广告技术生态 50
3.4 Ad Network 52
3.4.1 工作流程 52
3.4.2 分类 53
3.4.3 定向方式 54
3.4.4 优势 54
3.4.5 移动广告网络 55
3.5 Ad Exchange 56
3.5.1 产生背景 56
3.5.2 工作流程 57
3.5.3 与Ad Network的不同 58
3.5.4 国内Ad Exchange的发展 58
3.6 程序化售卖方式 58
3.7 其他机制 61
3.7.1 匿名设置 61
3.7.2 Reserve Price 61
3.7.3 Pre－Targeting 63
参考文献 64
第4章 品牌广告 65
4.1 品牌推广的意义 66
4.2 品牌广告简介 67
4.2.1 品牌广告 67
4.2.2 品牌广告常见形式 68
4.2.3 计费和购买方式 70
4.2.4 样式和创意 70
4.3 品牌广告的有效性 71
4.4 品牌广告效果评估指标 73
4.5 Benchmark 75
参考文献 77
第5章 搜索类广告 81
5.1 搜索广告简介 82
5.1.1 搜索广告的模式 83
5.1.2 广告投放及相关问题 83
5.1.3 搜索广告的优势 84
5.2 常见产品形态 85
5.2.1 综合搜索 85
5.2.2 定制类搜索 86
5.2.3 图片类搜索 87
5.2.4 内容定向 87
5.2.5 电商类搜索 88
5.2.6 应用商店搜索 89
5.2.7 其他 89
5.3 系统架构和重要模块 89
5.3.1 广告架构 90
5.3.2 广告账户组织结构 90
5.3.3 广告检索流程 91
5.3.4 预算控制 94
5.3.5 在线匹配 95
5.3.6 机制设计 96
5.3.7 计费流程 96
5.3.8 准入 97
5.4 主流竞价机制 98
5.4.1 GFP机制 98
5.4.2 GSP机制 99
5.4.3 VCG机制 100
5.5 搜索生态 100
5.6 GSP优化 101
5.6.1 Weighted GSP 102
5.6.2 Squashing 102
5.6.3 UWR 103
5.6.4 QWR 103
5.6.5 Anchoring 104
5.6.6 模型对比 104
5.6.7 Hidden Cost 105
5.7 长尾查询 105
5.8 市场规模 107
参考文献 107
第6章 社交类广告 109
6.1 社交媒体 110
6.1.1 社交网络国度 110
6.1.2 社交网络的特点 111
6.1.3 常见的社交应用 111
6.1.4 社交网络影响购买行为 112
6.2 社交广告 112
6.2.1 常见广告类型 112
6.2.2 定向方式 113
6.3 基于社交关系的算法 114
6.3.1 社交内容推荐算法 114
6.3.2 社区分割算法 115
6.3.3 社交内容扩散算法 117
6.4 社交网络营销 119
参考文献 120
第7章 视频类广告 123
7.1 视频广告简介 124
7.1.1 常见的广告类型 124
7.1.2 售卖方式 125
7.1.3 广告时长 126
7.2 视频广告生态和投放流程 127
7.2.1 视频广告生态 127
7.2.2 广告投放流程 128
7.3 流量预估 131
7.3.1 优化目标 131
7.3.2 模型特征 131
7.3.3 特征平滑处理 132
7.3.4 流量预估函数 133
7.3.5 模型评估方法 134
7.4 库存分配问题 134
7.5 库存分配算法 138
7.5.1 HWM 139
7.5.2 优化调整 140
7.5.3 反馈机制 141
7.5.4 SHALE 142
7.6 Pacing 144
7.7 市场规模 146
参考文献 146
第8章 用户数据和定向算法 149
8.1 用户识别 150
8.1.1 Cookie 150
8.1.2 Cookie Matching 150
8.1.3 移动端用户识别 152
8.1.4 跨屏识别 154
8.2 用户画像 154
8.3 定向方式 157
8.4 经营状况评估和优化 158
8.4.1 评估指标 158
8.4.2 CLV优化 159
8.4.3 客户关系管理和使用 161
8.5 Lookalike 162
8.5.1 特征提取和建模 162
8.5.2 扩展方式 163
8.5.3 最近邻选择 164
8.5.4 离线扩展流程 165
8.5.5 node2vec 165
8.5.6 实战 167
8.6 竞价环境预估 168
8.7 超级用户 173
参考文献 173
第9章 点击率预估与推荐算法 175
9.1 点击率预估简介 176
9.2 点击率预估特征 177
9.2.1 相同竞价词下其他订单的特征 177
9.2.2 相关竞价词的CTR 178
9.2.3 广告质量相关特征 178
9.2.4 订单竞价词相关特征 179
9.2.5 外部相关特征 179
9.2.6 特征预处理 179
9.3 预估模型 180
9.3.1 基础模型 180
9.3.2 L2－TreeBoost＋LR模型 181
9.3.3 回归树 182
9.3.4 Gradient Boosting 183
9.3.5 L2－TreeBoost 184
9.3.6 特征组合 185
9.3.7 Freshness 186
9.3.8 数据采样 186
9.4 模型评估方法 186
9.4.1 KL离散算法 186
9.4.2 AUC 187
9.4.3 NE 188
9.5 Bandit 189
9.5.1 Bandit问题 189
9.5.2 ε－Greedy方法 190
9.5.3 Thompson Sampling 190
9.5.4 UCB 192
9.5.5 LinUCB 193
9.6 在线学习方法 194
9.6.1 梯度下降方法 195
9.6.2 BGD 195
9.6.3 SGD 196
9.6.4 MBGD 196
9.6.5 简单截断法 198
9.6.6 截断梯度法 198
9.6.7 FOBOS 198
9.6.8 RDA 200
9.6.9 L1－FOBOS和L1－RDA的对比 201
9.6.10 FTRL 202
9.7 推荐算法 203
9.8 基于协同过滤的推荐 204
9.8.1 基于用户的协同过滤算法 204
9.8.2 基于物品的协同过滤算法 206
9.8.3 其他相似度计算方法 206
9.8.4 应用 207
9.9 基于矩阵分解的推荐 207
9.9.1 矩阵分解 207
9.9.2 正则化 209
9.9.3 隐性特征 209
9.10 基于深度学习的推荐 210
9.10.1 推荐流程 210
9.10.2 排序 212
9.11 广告排序性能优化 212
参考文献 213
第10章 在线匹配 215
10.1 图论基础知识 216
10.2 在线匹配类型 221
10.3 在线二部图匹配 223
10.3.1 Greedy算法 224
10.3.2 Random算法 225
10.3.3 Ranking算法 225
10.4 加权的在线二部图匹配 227
10.5 Adwords 229
10.5.1 Greedy算法 229
10.5.2 Balance算法与Greedy算法对比 230
10.5.3 MSVV算法 231
10.5.4 一般情况的证明 233
10.6 基于原始对偶的匹配 234
10.6.1 原始对偶问题 234
10.6.2 互补松弛性 236
10.6.3 Greedy算法实现 237
10.6.4 更优算法 239
10.7 现实系统中的匹配算法 240
参考文献 241
第11章 机制设计 243
11.1 机制设计概述 244
11.2 经典案例 245
11.2.1 囚徒困境 245
11.2.2 二难问题 246
11.2.3 无怨算法 246
11.2.4 TureView广告 246
11.2.5 策略性投票 247
11.3 激励兼容 247
11.3.1 投票悖论 247
11.3.2 阿罗不可能定理 248
11.4 引入金钱的机制 249
11.4.1 拍卖机制 250
11.4.2 VCG机制 251
11.5 激励兼容的特性 251
11.6 贝叶斯纳什均衡 253
11.7 竞价机制分析 255
11.7.1 临界条件分析 255
11.7.2 VCG机制 255
11.7.3 Simplest GSP机制 256
11.7.4 Weighted GSP机制 257
11.8 拥挤控制 257
参考文献 261
第12章 低质量和敏感控制 263
12.1 作弊背景 264
12.1.1 作弊参与者 264
12.1.2 作弊动机 265
12.2 广告作弊方法 265
12.2.1 单机作弊 266
12.2.2 黑客作弊 266
12.2.3 有组织的网络作弊 266
12.2.4 有组织的人工作弊 267
12.2.5 基于大流量平台的作弊 267
12.3 广告反作弊 267
12.3.1 反作弊架构 267
12.3.2 反作弊算法分类 268
12.4 广告质量 269
12.5 数据安全 270
参考文献 272
第13章 实验架构和调参 273
13.1 A/B testing 274
13.2 分层实验 275
13.2.1 分层实验方案 276
13.2.2 实验平台 277
13.3 实验设计和分析 277
13.3.1 置信度 278
13.3.2 置信区间 278
13.3.3 最少样本数 279
13.3.4 逐步放量 280
13.3.5 50％vs50％ 280
13.3.6 其他因素 280
13.3.7 对比实验局限 281
13.3.8 参数化 281
13.4 自动化调参 282
参考文献 286
第14章 数据监测和效果衡量 289
14.1 第三方监测 290
14.2 效果跟踪 291
14.2.1 归因模型 292
14.2.2 增效测试 293
参考文献 294
第15章 在线广告的发展趋势 295
15.1 网络带来的变化 296
15.2 未来发展趋势 297
15.2.1 流量入口 297
15.2.2 需求和市场 298
附录A 单词表 299