第1章 在綫廣告發展簡史
1.1 在綫廣告發展簡介
1.1.1 中國古代的廣告
1.1.2 在綫廣告的誕生
1.1.3 搜索廣告的誕生和發展
1.1.4 社交和視頻類廣告
1.1.5 Ad Network的誕生
1.1.6 Ad Exchange和TradingDesk
1.2 移動廣告的發展
1.3 搜索廣告和定價模式
1.4 社交媒體廣告
1.5 視頻廣告
1.6 在綫廣告優勢
1.7 在綫廣告規模
參考文獻
第2章 廣告樣式與創意
2.1 主流廣告樣式
2.1.1 PC端廣告樣式
2.1.2 移動端廣告樣式
2.2 技術驅動營銷
2.3 廣告樣式發展趨勢
2.4 程序化創意
2.4.1 程序化創意的緣由
2.4.2 程序化創意
2.5 動態創意優化
參考文獻
第3章 廣告係統架構流程
3.1 投放引擎架構流程
3.1.1 廣告投放引擎架構
3.1.2 客戶係統
3.1.3 內部管理平颱
3.1.4 基礎架構及相關模塊
3.1.5 廣告投放引擎內部模塊
3.1.6 工具和測試平颱
3.2 收入分解
3.3 程序化廣告技術生態
3.4 Ad Network
3.4.1 工作流程
3.4.2 分類
3.4.3 定嚮方式
3.4.4 優勢
3.4.5 移動廣告網絡
3.5 Ad Exchange
3.5.1 産生背景
3.5.2 工作流程
3.5.3 與Ad Network的不同
3.5.4 國內Ad Exchange的發展
3.6 程序化售賣方式
3.7 其他機製
3.7.1 匿名設置
3.7.2 Reserve Price
3.7.3 Pre-Targeting
參考文獻
第4章 品牌廣告
4.1 品牌推廣的意義
4.2 品牌廣告簡介
4.2.1 品牌廣告
4.2.2 品牌廣告常見形式
4.2.3 計費和購買方式
4.2.4 樣式和創意
4.3 品牌廣告的有效性
4.4 品牌廣告效果評估指標
4.5 Benchmark
參考文獻
第5章 搜索類廣告
5.1 搜索廣告簡介
5.1.1 搜索廣告的模式
5.1.2 廣告投放及相關問題
5.1.3 搜索廣告的優勢
5.2 常見産品形態
5.2.1 綜閤搜索
5.2.2 定製類搜索
5.2.3 圖片類搜索
5.2.4 內容定嚮
5.2.5 電商類搜索
5.2.6 應用商店搜索
5.2.7 其他
5.3 係統架構和重要模塊
5.3.1 廣告架構
5.3.2 廣告賬戶組織結構
5.3.3 廣告檢索流程
5.3.4 預算控製
5.3.5 在綫匹配
5.3.6 機製設計
5.3.7 計費流程
5.3.8 準入
5.4 主流競價機製
5.4.1 GFP機製
5.4.2 GSP機製
5.4.3 VCG機製
5.5 搜索生態
5.6 GSP優化
5.6.1 Weighted GSP
5.6.2 Squashing
5.6.3 UWR
5.6.4 QWR
5.6.5 Anchoring
5.6.6 模型對比
5.6.7 Hidden Cost
5.7 長尾查詢
5.8 市場規模
參考文獻
第6章 社交類廣告
6.1 社交媒體
6.1.1 社交網絡國度
6.1.2 社交網絡的特點
6.1.3 常見的社交應用
6.1.4 社交網絡影響購買行為
6.2 社交廣告
6.2.1 常見廣告類型
6.2.2 定嚮方式
6.3 基於社交關係的算法
6.3.1 社交內容推薦算法
6.3.2 社區分割算法
6.3.3 社交內容擴散算法
6.4 社交網絡營銷
參考文獻
第7章 視頻類廣告
7.1 視頻廣告簡介
7.1.1 常見的廣告類型
7.1.2 售賣方式
7.1.3 廣告時長
7.2 視頻廣告生態和投放流程
7.2.1 視頻廣告生態
7.2.2 廣告投放流程
7.3 流量預估
7.3.1 優化目標
7.3.2 模型特徵
7.3.3 特徵平滑處理
7.3.4 流量預估函數
7.3.5 模型評估方法
7.4 庫存分配問題
7.5 庫存分配算法
7.5.1 HWM
7.5.2 優化調整
7.5.3 反饋機製
7.5.4 SHALE
7.6 Pacing
7.7 市場規模
參考文獻
第8章 用戶數據和定嚮算法
8.1 用戶識彆
8.1.1 Cookie
8.1.2 Cookie Matching
8.1.3 移動端用戶識彆
8.1.4 跨屏識彆
8.2 用戶畫像
8.3 定嚮方式
8.4 經營狀況評估和優化
8.4.1 評估指標
8.4.2 CLV優化
8.4.3 客戶關係管理和使用
8.5 Lookalike
8.5.1 特徵提取和建模
8.5.2 擴展方式
8.5.3 最近鄰選擇
8.5.4 離綫擴展流程
8.5.5 node2vec
8.5.6 實戰
8.6 競價環境預估
8.7 超級用戶
參考文獻
第9章 點擊率預估與推薦算法
9.1 點擊率預估簡介
9.2 點擊率預估特徵
9.2.1 相同競價詞下其他訂單的特徵
9.2.2 相關競價詞的CTR
9.2.3 廣告質量相關特徵
9.2.4 訂單競價詞相關特徵
9.2.5 外部相關特徵
9.2.6 特徵預處理
9.3 預估模型
9.3.1 基礎模型
9.3.2 L2-TreeBoost+LR模型
9.3.3 迴歸樹
9.3.4 Gradient Boosting
9.3.5 L2-TreeBoost
9.3.6 特徵組閤
9.3.7 Freshness
9.3.8 數據采樣
9.4 模型評估方法
9.4.1 KL離散算法
9.4.2 AUC
9.4.3 NE
9.5 Bandit
9.5.1 Bandit問題
9.5.2 ε-Greedy方法
9.5.3 Thompson Sampling
9.5.4 UCB
9.5.5 LinUCB
9.6 在綫學習方法
9.6.1 梯度下降方法
9.6.2 BGD
9.6.3 SGD
9.6.4 MBGD
9.6.5 簡單截斷法
9.6.6 截斷梯度法
9.6.7 FOBOS
9.6.8 RDA
9.6.9 L1-FOBOS和L1-RDA的對比
9.6.10 FTRL
9.7 推薦算法
9.8 基於協同過濾的推薦
9.8.1 基於用戶的協同過濾算法
9.8.2 基於物品的協同過濾算法
9.8.3 其他相似度計算方法
9.8.4 應用
9.9 基於矩陣分解的推薦
9.9.1 矩陣分解
9.9.2 正則化
9.9.3 隱性特徵
9.10 基於深度學習的推薦
9.10.1 推薦流程
9.10.2 排序
9.11 廣告排序性能優化
參考文獻
第10章 在綫匹配
10.1 圖論基礎知識
10.2 在綫匹配類型
10.3 在綫二部圖匹配
10.3.1 Greedy算法
10.3.2 Random算法
10.3.3 Ranking算法
10.4 加權的在綫二部圖匹配
10.5 Adwords
10.5.1 Greedy算法
10.5.2 Balance算法與Greedy算法對比
10.5.3 MSVV算法
10.5.4 一般情況的證明
10.6 基於原始對偶的匹配
10.6.1 原始對偶問題
10.6.2 互補鬆弛性
10.6.3 Greedy算法實現
10.6.4 更優算法
10.7 現實係統中的匹配算法
參考文獻
第11章 機製設計
11.1 機製設計概述
11.2 經典案例
11.2.1 囚徒睏境
11.2.2 二難問題
11.2.3 無怨算法
11.2.4 TureView廣告
11.2.5 策略性投票
11.3 激勵兼容
11.3.1 投票悖論
11.3.2 阿羅不可能定理
11.4 引入金錢的機製
11.4.1 拍賣機製
11.4.2 VCG機製
11.5 激勵兼容的特性
11.6 貝葉斯納什均衡
11.7 競價機製分析
11.7.1 臨界條件分析
11.7.2 VCG機製
11.7.3 Simplest GSP機製
11.7.4 Weighted GSP機製
11.8 擁擠控製
參考文獻
第12章 低質量和敏感控製
12.1 作弊背景
12.1.1 作弊參與者
12.1.2 作弊動機
12.2 廣告作弊方法
12.2.1 單機作弊
12.2.2 黑客作弊
12.2.3 有組織的網絡作弊
12.2.4 有組織的人工作弊
12.2.5 基於大流量平颱的作弊
12.3 廣告反作弊
12.3.1 反作弊架構
12.3.2 反作弊算法分類
12.4 廣告質量
12.5 數據安全
參考文獻
第13章 實驗架構和調參
13.1 A/B testing
13.2 分層實驗
13.2.1 分層實驗方案
13.2.2 實驗平颱
13.3 實驗設計和分析
13.3.1 置信度
13.3.2 置信區間
13.3.3 最少樣本數
13.3.4 逐步放量
13.3.5 50% vs 50%
13.3.6 其他因素
13.3.7 對比實驗局限
13.3.8 參數化
13.4 自動化調參
參考文獻
第14章 數據監測和效果衡量
14.1 第三方監測
14.2 效果跟蹤
14.2.1 歸因模型
14.2.2 增效測試
參考文獻
第15章 在綫廣告的發展趨勢
15.1 網絡帶來的變化
15.2 未來發展趨勢
15.2.1 流量入口
15.2.2 需求和市場
附錄A 單詞錶
· · · · · · (收起)