計算廣告是一項新興的研究課題，它涉及大規模搜索和文本分析、資訊獲取、統計模型、機器學習、分類、優化以及微觀經濟學等諸多領域的知識。本書從實踐出發，系統地介紹計算廣告的產品、問題、系統和演算法，並且從工業界的視角對這一領域進行具體技術的深入剖析。

本書立足於廣告市場的根本問題，從計算廣告各個階段所遇到的市場挑戰出發，以廣告系統業務形態的需求和變化為主線，依次介紹合約廣告系統、競價廣告系統、程式化交易市場等重要課題，並對計算廣告涉及的關鍵技術和演算法做深入的探討，這一版中更是加入了深度學習的基礎方法論及其在計算廣告中的應用。無論是互聯網公司商業化部門的產品技術人員，還是對個性化系統、大資料變現或交易有興趣的產品技術人員，傳統企業互聯網化進程的決策者，傳統廣告業務的從業者，互聯網創業者，電腦相關專業研究生，都會從閱讀本書中受益匪淺。
 

劉鵬（@北冥乘海生）

現任科大訊飛副總裁，大數據研究院院長。他在清華大學獲得博士學位後，加入微軟亞洲研究院，從事人工智慧研究，後參與創建雅虎北京研究院，出任高級科學家。他還曾任MediaV首席科學家、360商業化首席架構師等職。在多年從業經歷中，他一直致力於將人工智慧方法與海量資料相結合來解決工業界問題，負責過多個大型互聯網商業產品體系。
 
他特別重視計算廣告和大資料技術的普及，他講授的“計算廣告”在網易雲課堂有超過3萬名學生，已經成為業界進行相關培訓的基礎教程。他還曾擔任北京大學、中國傳媒大學等高校客座教授，講授計算廣告相關課程，為推動中國廣告產業的數位化、智慧化做出了貢獻。 王超（@德川），于北京大學獲得碩士學位後，曾就職於微博、汽車之家等公司的廣告部門，從事計算廣告領域的研究和實踐工作。現任百度主任研發架構師，從事個性化推薦領域相關的工作。
 

第一部分 線上廣告市場與背景

第1章 線上廣告綜述 3
1.1 免費模式與互聯網核心資產 4
1.2 大資料與廣告的關係 5
1.3 廣告的定義與目的 7
1.4 線上廣告表現形式 9
1.5 線上廣告簡史 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 線上廣告相關行業協會 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 美國國家廣告商協會 30

第二部分 線上廣告產品邏輯

第3章 線上廣告產品概覽 33
3.1 商業產品的設計原則 34
3.2 廣告系統的產品介面 35
3.2.1 廣告主層級組織與投放管理 35
3.2.2 供給方管理介面 38
3.2.3 供需之間多種介面形式 39

第4章 合約廣告 41
4.1 廣告位合約 42
4.2 受眾定向 43
4.2.1 受眾定向方法概覽 43
4.2.2 受眾定向標籤體系 46
4.2.3 標籤體系的設計思路 47
4.3 展示量合約 48
4.3.1 流量預測 49
4.3.2 流量塑形 50
4.3.3 線上分配 50
4.3.4 產品案例 51

第5章 搜索廣告與競價廣告 53
5.1 搜索廣告 54
5.1.1 搜索廣告產品形態 55
5.1.2 搜索廣告產品新形式 57
5.1.3 搜索廣告產品策略 60
5.1.4 產品案例 62
5.2 位置拍賣與機制設計 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 競價廣告網路 70
5.3.1 廣告網路產品形態 71
5.3.2 廣告網路產品策略 72
5.3.3 產品案例 73
5.4 競價廣告需求方產品 74
5.4.1 搜尋引擎行銷 74
5.4.2 交易終端 75
5.4.3 產品案例 75
5.5 競價廣告與合約廣告的比較 77

第6章 程式化交易廣告 78
6.1 即時競價 79
6.2 其他程式化交易方式 82
6.2.1 優選 82
6.2.2 私有市場 83
6.2.3 程式化直投 84
6.2.4 廣告交易方式譜系 84
6.3 廣告交易平臺 85
6.4 需求方平臺 87
6.4.1 需求方平臺產品策略 87
6.4.2 出價策略 88
6.4.3 出價和定價過程 89
6.4.4 重定向 89
6.4.5 新客推薦 91
6.4.6 產品案例 92
6.5 供給方平臺 94
6.5.1 供給方平臺產品策略 94
6.5.2 Header Bidding 95
6.5.3 產品案例 96

第7章 資料加工與交易 99
7.1 有價值的資料來源 100
7.2 資料管理平臺 102
7.2.1 三方資料劃分 102
7.2.2 第 一方資料管理平臺 102
7.2.3 協力廠商資料管理平臺 103
7.2.4 產品案例 104
7.3 資料交易的基本過程 107
7.4 隱私保護和資料安全 109
7.4.1 隱私保護問題 109
7.4.2 程式化交易中的資料安全 111
7.4.3 歐盟的通用資料保護條例 113

第8章 資訊流與原生廣告 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 資訊流廣告 121
8.2.1 資訊流廣告的定義 121
8.2.2 資訊流廣告產品關鍵 123
8.3 其他原生廣告相關產品 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 原生廣告平臺 126
8.4.1 表現原生與場景原生 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 產品案例 130
8.5 原生廣告與程式化交易 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 個性化系統框架 138
9.2 各類廣告系統優化目標 139
9.3 計算廣告系統架構 140
9.3.1 廣告投放引擎 142
9.3.2 資料高速公路 143
9.3.3 離線資料處理 143
9.3.4 線上資料處理 144
9.4 計算廣告系統主要技術 144
9.5 用開源工具搭建計算廣告系統 146
9.5.1 Web伺服器Nginx 146
9.5.2 分散式配置和集群管理工具ZooKeeper 148
9.5.3 全文檢索引擎Lucene 148
9.5.4 跨語言通信介面Thrift 149
9.5.5 資料高速公路Flume 150
9.5.6 分散式資料處理平臺Hadoop 150
9.5.7 特徵線上緩存Redis 151
9.5.8 流計算平臺Storm 152
9.5.9 高效的反覆運算計算框架Spark 152

第10章 基礎知識準備 154
10.1 資訊檢索 155
10.1.1 倒排索引 155
10.1.2 向量空間模型 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 最大熵與指數族分佈 168
10.3.2 混合模型和EM演算法 169
10.3.3 貝葉斯學習 171
10.4 統計模型分散式優化框架 174
10.5 深度學習 175
10.5.1 深度神經網路優化方法 176
10.5.2 卷積神經網路（CNN） 177
10.5.3 遞迴神經網路（RNN） 178
10.5.4 生成對抗網路（GAN） 180

第11章 合約廣告核心技術 181
11.1 廣告排期系統 182
11.2 擔保式投送系統 183
11.2.1 流量預測 185
11.2.2 頻次控制 186
11.3 線上分配 188
11.3.1 線上分配問題 188
11.3.2 線上分配問題舉例 190
11.3.3 極限性能研究 192
11.3.4 實用優化演算法 193

第12章 受眾定向核心技術 201
12.1 受眾定向技術分類 202
12.2 上下文定向 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word2vec 208
12.4 行為定向 209
12.4.1 行為定向建模問題 210
12.4.2 行為定向特徵生成 211
12.4.3 行為定向決策過程 214
12.4.4 行為定向的評測 215
12.5 人口屬性預測 217
12.6 資料管理平臺 218

第13章 競價廣告核心技術 220
13.1 競價廣告計價演算法 220
13.2 搜索廣告系統 222
13.2.1 查詢擴展 223
13.2.2 廣告放置 226
13.3 廣告網路 227
13.4 廣告檢索 229
13.4.1 布林運算式的檢索 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模型優化演算法 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 智慧頻次控制 264
14.2 其他點擊率模型 264
14.2.1 因數分解機 264
14.2.2 GBDT 265
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&E 268
14.3.2 UCB方法 270
14.3.3 考慮上下文的 bandit 271

第15章 程式化交易核心技術 272
15.1 廣告交易平臺 273
15.1.1 cookie 映射 273
15.1.2 詢價優化 277
15.2 需求方平臺 278
15.2.1 定制化用戶標籤 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 出價策略 284
15.3 供給方平臺 284

第16章 其他廣告相關技術 286
16.1 創意優化 287
16.1.1 程式化創意 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 產品技術選型實戰 301
16.5.1 媒體實戰 302
16.5.2 廣告主實戰 304
16.5.3 資料提供方實戰 306

第四部分 附錄
附錄 主要術語及縮寫索引 311
參考文獻 317