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

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　負載均衡76
3.6.1　前端請求的負載均衡76
3.6.2　數(shù)據(jù)中心內(nèi)部的負載
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　訓練數(shù)據(jù)準備與模型離線
評估252
8.1.1　訓練數(shù)據(jù)準備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習
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　深度學習模型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