互聯(lián)網(wǎng)廣告系統(tǒng)：架構(gòu)、算法與智能化

定　價：￥109.00

作　者：	唐溪柳
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111725824	出版時間：	2023-06-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　這是一部從工程實踐角度講解互聯(lián)網(wǎng)廣告系統(tǒng)的業(yè)務(wù)價值、產(chǎn)品形態(tài)、架構(gòu)設(shè)計、技術(shù)選型、落地方法論、實施路徑和行業(yè)案例的著作，是作者在Google和騰訊從事廣告系統(tǒng)架構(gòu)設(shè)計與工程實現(xiàn)的10余年經(jīng)驗總結(jié)。通過本書，你將掌握以下內(nèi)容：（1）互聯(lián)網(wǎng)廣告的生態(tài)和產(chǎn)品形態(tài)首先介紹了谷歌、Meta、亞馬遜、微軟等主要在線廣告平臺；然后介紹了主要在線廣告網(wǎng)絡(luò)和程序化購買生態(tài)；蕞后介紹了在線廣告產(chǎn)品形態(tài)，包括在線廣告的投遞方式和計費方式。主要目的是幫助讀者建立對互聯(lián)網(wǎng)廣告生態(tài)的宏觀認(rèn)知。（2）廣告投放系統(tǒng)的架構(gòu)與設(shè)計結(jié)合Facebook Marketing、Google Ads、Twitter Ads等廣告平臺講解了廣告投放系統(tǒng)，主要內(nèi)容包括廣告的層級結(jié)構(gòu)、三個廣告平臺API的特點及用法演示，以及API的基本設(shè)計原則和設(shè)計方法論。讀者可以從本章中學(xué)到現(xiàn)代廣告系統(tǒng)投放子系統(tǒng)的設(shè)計思想。（3）廣告系統(tǒng)的設(shè)計方法論互聯(lián)網(wǎng)廣告系統(tǒng)的規(guī)模往往比較大，詳細(xì)介紹了以分布式系統(tǒng)為代表的大規(guī)模網(wǎng)絡(luò)系統(tǒng)的架構(gòu)設(shè)計方法論，為讀者設(shè)計廣告系統(tǒng)打下基礎(chǔ)。（4）廣告系統(tǒng)的工程架構(gòu)詳細(xì)講解了廣告播放系統(tǒng)的架構(gòu)設(shè)計、廣告系統(tǒng)的數(shù)據(jù)架構(gòu)設(shè)計、廣告系統(tǒng)中的A/B測試等。（5）廣告策略系統(tǒng)的架構(gòu)設(shè)計首先介紹了廣告競價原理和廣告策略系統(tǒng)設(shè)計；然后講解了廣告系統(tǒng)預(yù)估子系統(tǒng)，包括預(yù)估模型數(shù)據(jù)處理、常用的模型評價方法與指標(biāo)、常用的模型訓(xùn)練方法，以及新廣告點擊率預(yù)估和轉(zhuǎn)化率預(yù)估。本書系統(tǒng)闡述了互聯(lián)網(wǎng)廣告系統(tǒng)設(shè)計的方方面面，對廣告系統(tǒng)、推薦系統(tǒng)、大數(shù)據(jù)系統(tǒng)的建設(shè)具有很高的參考價值。

作者簡介

暫缺《互聯(lián)網(wǎng)廣告系統(tǒng)：架構(gòu)、算法與智能化》作者簡介

圖書目錄

序
前　言
第1章　互聯(lián)網(wǎng)廣告生態(tài)1
　1.1　互聯(lián)網(wǎng)廣告生態(tài)的參與者1
1.1.1　主要在線廣告平臺2
1.1.2　主要在線廣告網(wǎng)絡(luò)8
1.1.3　程序化購買生態(tài)12
　1.2　在線廣告產(chǎn)品形態(tài)15
1.2.1　在線廣告的投遞方式15
1.2.2　在線廣告的計費方式18
　1.3　本章小結(jié)19
第2章　廣告投放系統(tǒng)20
　2.1　廣告層級結(jié)構(gòu)20
2.1.1　Facebook Marketing廣告層級結(jié)構(gòu)20
2.1.2　Google Ads廣告層級結(jié)構(gòu)22
2.1.3　Twitter Ads廣告層級結(jié)構(gòu)25
　2.2　API的基本設(shè)計原則26
2.2.1　API的價值性27
2.2.2　API的規(guī)劃性28
2.2.3　API的靈活性30
2.2.4　API的可管理性32
2.2.5　API的可支持性34
　2.3　廣告平臺API36
2.3.1　Google Ads API37
2.3.2　Facebook Marketing API40
2.3.3　Twitter Ads API50
　2.4　本章小結(jié)57
第3章　大規(guī)模網(wǎng)絡(luò)系統(tǒng)架構(gòu)
設(shè)計58
　3.1　大規(guī)模網(wǎng)絡(luò)系統(tǒng)歷史背景58
　3.2　分布式集群管理系統(tǒng)59
3.2.1　Docker簡介61
3.2.2　微服務(wù)技術(shù)簡介63
3.2.3　Kubernetes簡介64
　3.3　分布式文件系統(tǒng)66
3.3.1　GFS66
3.3.2　HDFS68
　3.4　分布式存儲69
3.4.1　分布式存儲介紹69
3.4.2　HBase介紹70
　3.5　分布式共識服務(wù)72
3.5.1　分布式共識算法介紹72
3.5.2　ZooKeeper使用場景73
　3.6　負(fù)載均衡76
3.6.1　前端請求的負(fù)載均衡76
3.6.2　數(shù)據(jù)中心內(nèi)部的負(fù)載
均衡77
　3.7　監(jiān)控與告警系統(tǒng)77
　3.8　網(wǎng)絡(luò)服務(wù)接口規(guī)范78
3.8.1　RESTful介紹79
3.8.2　GraphQL介紹79
3.8.3　RPC介紹81
　3.9　本章小結(jié)84
第4章　廣告播放系統(tǒng)架構(gòu)設(shè)計85
　4.1　廣告播放系統(tǒng)架構(gòu)85
　4.2　數(shù)據(jù)ETL模塊86
4.2.1　數(shù)據(jù)提取87
4.2.2　數(shù)據(jù)轉(zhuǎn)換91
4.2.3　數(shù)據(jù)加載92
　4.3　檢索模塊95
4.3.1　文本檢索技術(shù)96
4.3.2　布爾檢索103
4.3.3　近鄰搜索119
　4.4　本章小結(jié)129
第5章　廣告系統(tǒng)數(shù)據(jù)架構(gòu)設(shè)計130
　5.1　廣告系統(tǒng)數(shù)據(jù)架構(gòu)130
　5.2　廣告系統(tǒng)數(shù)據(jù)類型131
5.2.1　廣告元數(shù)據(jù)131
5.2.2　廣告日志數(shù)據(jù)133
5.2.3　用戶畫像數(shù)據(jù)134
5.2.4　廣告上下文數(shù)據(jù)147
5.2.5　廣告主私有數(shù)據(jù)與
再營銷148
　5.3　數(shù)據(jù)管理平臺150
5.3.1　數(shù)據(jù)管理平臺簡介150
5.3.2　相似受眾擴展153
　5.4　特征工程平臺157
5.4.1　特征生產(chǎn)157
5.4.2　特征補錄與訓(xùn)練樣本
數(shù)據(jù)流159
5.4.3　特征存儲161
5.4.4　特征處理算法162
5.4.5　建設(shè)統(tǒng)一特征工程平臺的
必要性165
　5.5　本章小結(jié)165
第6章　A/B測試與互聯(lián)網(wǎng)廣告166
　6.1　A/B測試介紹166
　6.2　收集實驗數(shù)據(jù)167
6.2.1　流量管理168
6.2.2　流量分層169
　6.3　實驗數(shù)據(jù)分析176
6.3.1　大數(shù)定律與中心極限定理176
6.3.2　A/B測試中的樣本量
估計179
6.3.3　辛普森悖論181
6.3.4　Mantel-Haenszel指標(biāo)182
6.3.5　分桶與Jackknife重
采樣186
　6.4　實驗信息管理191
　6.5　A/B測試的廣告應(yīng)用場景194
　6.6　本章小結(jié)194
第7章　廣告系統(tǒng)策略195
　7.1　廣告競價195
7.1.1　博弈論基礎(chǔ)197
7.1.2　納什均衡200
7.1.3　納什均衡存在性證明202
7.1.4　機制設(shè)計理論211
7.1.5　廣義第二價格競價231
7.1.6　VCG競價237
　7.2　廣告策略系統(tǒng)設(shè)計242
7.2.1　廣告系統(tǒng)粗排設(shè)計243
7.2.2　廣告預(yù)算控制系統(tǒng)245
7.2.3　廣告調(diào)價算法247
　7.3　本章小結(jié)250
第8章　預(yù)估算法251
　8.1　訓(xùn)練數(shù)據(jù)準(zhǔn)備與模型離線
評估252
8.1.1　訓(xùn)練數(shù)據(jù)準(zhǔn)備252
8.1.2　模型離線評估254
　8.2　常用的預(yù)估模型261
8.2.1　邏輯回歸模型與機器學(xué)習(xí)
基礎(chǔ)262
8.2.2　支持自動特征發(fā)現(xiàn)的模型
方法288
8.2.3　深度學(xué)習(xí)模型294
　8.3　新廣告點擊率預(yù)估314
8.3.1　湯普森采樣算法315
8.3.2　蒙特卡洛采樣318
8.3.3　馬爾可夫鏈蒙特卡洛
采樣325
8.3.4　吉布斯采樣330
8.3.5　拉普拉斯近似331
　8.4　廣告轉(zhuǎn)化率預(yù)估334
　8.5　本章小結(jié)336