互聯網廣告系統架構、算法與智能化
唐溪柳
- 出版商: 機械工業
- 出版日期: 2023-05-01
- 定價: $654
- 售價: 8.5 折 $556
- 語言: 簡體中文
- 頁數: 348
- 裝訂: 平裝
- ISBN: 7111725824
- ISBN-13: 9787111725824
-
相關分類:
大數據 Big-data、行銷/網路行銷 Marketing、Machine Learning
立即出貨
買這商品的人也買了...
-
愛上統計學, 3/e (Statistics for People Who Hate Statistics, 4/e)$520$468 -
人人都是網站分析師｜看穿網站流量的祕密$380$300 -
圖解！大數據下必學的統計基礎$350$277 -
工作一定要用到的統計：如何證明自己正確研判？別人的報告哪裡有破綻？產品熱賣是方法對了或只是湊巧？光有大數據還不夠，只有統計才能給你答案$340$306 -
UX策略｜設計讓人夢寐以求的創新數位產品 (UX Strategy: How to Devise Innovative Digital Products that People Want)$480$379 -
Python 機器學習 (Python Machine Learning)$580$452 -
Python 函式庫語法範例字典$450$383 -
機器學習 | 使用 Python 進行預測分析的基本技術$580$458 -
資料智慧化：利用資料科學，將資訊化為創見$480$379 -
3小時讀通基礎化學$320$288 -
貝葉斯方法：概率編程與貝葉斯推斷 (Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference)$534$507 -
Deep Learning｜用 Python 進行深度學習的基礎理論實作$580$458 -
游戲數據分析實戰$474$450 -
推薦系統實踐$419$398 -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$509 -
$607實用推薦系統 -
性能之巔：系統、企業與雲可觀測性, 2/e$1,428$1,357 -
$403檢索匹配：深度學習在搜索、廣告、推薦系統中的應用 -
今晚來點 Web 前端效能優化大補帖：一次搞定指標 × 工具 × 技巧，打造超高速網站（iThome鐵人賽系列書）$650$507 -
計算廣告：互聯網商業變現的市場與技術, 3/e$599$569 -
白話機器學習$780$585 -
DevSecOps 原理、核心技術與實戰$654$621 -
科技巨頭的演算法大揭祕：資料科學家必讀的資料科學與機器學習實戰筆記（iThome鐵人賽系列書）【軟精裝】$680$530 -
Clean Code 錦囊妙計 (Clean Code Cookbook : Recipes to Improve the Design and Quality of Your Code)$880$695 -
LLM 大型語言模型的絕世祕笈：27路獨步劍法，帶你闖蕩生成式 AI 的五湖四海 （iThome鐵人賽系列書）$650$507
相關主題
商品描述
本書從一個架構師的視角剖析了現代廣告系統的構成，
包括投放、播放、檢索、A/B測試、數據、策略、預測算法等各個方面，並介紹了重要的方法論。
全書共8章，各章主要內容如下。
第1章介紹了互聯網廣告生態，包括互聯網廣告生態的參與者與在線廣告的產品形態。
第2章介紹廣告投放系統，包括廣告的層級結構、API設計原則、廣告平台的API等。
第3章介紹構建一個大規模網絡系統的方法論。
第4章介紹如何設計一個可擴展、魯棒性高的廣告播放系統。
第5章介紹各類數據類型的收集與應用以及支撐數據應用的產品與架構設計，包括數據管理平台（DMP）、特徵工程平台。
第6章介紹廣告系統中A/B測試子系統的架構設計。
第7章從競價的博弈論基礎開始，首先介紹機制設計理論，然後介紹谷歌的廣義第二價格競價、Facebook的VCG競價方式，
最後結合騰訊廣告系統介紹競價實現中的粗排、精排以及競價系統與檢索系統的接口對接方式。
第8章介紹預估模型的訓練數據準備和模型離線評估、常用的預估模型、新廣告點擊率預估、廣告轉化率預估。
目錄大綱
序
前言
第1章 互聯網廣告生態
1.1 互聯網廣告生態的參與者
1.1.1 主要在線廣告平台
1.1.2 主要在線廣告網絡
1.1.3 程序化購買生態
1.2 在線廣告產品形態
1.2.1 在線廣告的投遞方式
1.2.2 在線廣告的計費方式
1.3 本章小結
第2章 廣告投放系統
2.1 廣告層級結構
2.1.1 Facebook Marketing廣告層級結構
2.1.2 Google Ads廣告層級結構
2.1.3 Twitter Ads廣告層級結構
2.2 API的基本設計原則
2.2.1 API的價值性
2.2.2 API的規劃性
2.2.3 API的靈活性
2.2.4 API的可管理性
2.2.5 API的可支持性
2.3 廣告平台API
2.3.1 Google Ads API
2.3.2 Facebook Marketing API
2.3.3 Twitter Ads API
2.4 本章小結
第3章 大規模網絡系統架構設計
3.1 大規模網絡系統歷史背景
3.2 分佈式集群管理系統
3.2.1 Docker簡介
3.2.2 微服務技術簡介
3.2.3 Kubernetes簡介
3.3 分佈式文件系統
3.3.1 GFS
3.3.2 HDFS
3.4 分佈式存儲
3.4.1 分佈式存儲介紹
3.4.2 HBase介紹
3.5 分佈式共識服務
3.5.1 分佈式共識算法介紹
3.5.2 ZooKeeper使用場景
3.6 負載均衡
3.6.1 前端請求的負載均衡
3.6.2 數據中心內部的負載均衡
3.7 監控與告警系統
3.8 網絡服務接口規範
3.8.1 RESTful介紹
3.8.2 GraphQL介紹
3.8.3 RPC介紹
3.9 本章小結
第4章 廣告播放系統架構設計
4.1 廣告播放系統架構
4.2 數據ETL模塊
4.2.1 數據提取
4.2.2 數據轉換
4.2.3 數據加載
4.3 檢索模塊
4.3.1 文本檢索技術
4.3.2 布爾檢索
4.3.3 最近鄰搜索
4.4 本章小結
第5章 廣告系統數據架構設計
5.1 廣告系統數據架構
5.2 廣告系統數據類型
5.2.1 廣告元數據
5.2.2 廣告日誌數據
5.2.3 用戶畫像數據
5.2.4 廣告上下文數據
5.2.5 廣告主私有數據與再營銷
5.3 數據管理平台
5.3.1 數據管理平台簡介
5.3.2 相似受眾擴展
5.4 特徵工程平台
5.4.1 特徵生產
5.4.2 特徵補錄與訓練樣本數據流
5.4.3 特徵存儲
5.4.4 特徵處理算法
5.4.5 建設統一特徵工程平台的必要性
5.5 本章小結
第6章 A/B測試與互聯網廣告
6.1 A/B測試介紹
6.2 收集實驗數據
6.2.1 流量管理
6.2.2 流量分層
6.3 實驗數據分析
6.3.1 大數定律與中心極限定理
6.3.2 A/B測試中的樣本量估計
6.3.3 辛普森悖論
6.3.4 Mantel-Haenszel指標
6.3.5 分桶與Jackknife重採樣
6.4 實驗信息管理
6.5 A/B測試的廣告應用場景
6.6 本章小結
第7章 廣告系統策略
7.1 廣告競價
7.1.1 博弈論基礎
7.1.2 納什均衡
7.1.3 納什均衡存在性證明
7.1.4 機制設計理論
7.1.5 廣義第二價格競價
7.1.6 VCG競價
7.2 廣告策略系統設計
7.2.1 廣告系統粗排設計
7.2.2 廣告預算控制系統
7.2.3 廣告調價算法
7.3 本章小結
第8章 預估算法
8.1 訓練數據準備與模型離線評估
8.1.1 訓練數據準備
8.1.2 模型離線評估
8.2 常用的預估模型
8.2.1 邏輯回歸模型與機器學習基礎
8.2.2 支持自動特徵發現的模型方法
8.2.3 深度學習模型
8.3 新廣告點擊率預估
8.3.1 湯普森採樣算法
8.3.2 蒙特卡洛採樣
8.3.3 馬爾可夫鏈蒙特卡洛採樣
8.3.4 吉布斯採樣
8.3.5 拉普拉斯近似
8.4 廣告轉化率預估
8.5 本章小結
