計算廣告：互聯網商業變現的市場與技術（第3版）

第一部分 線上廣告市場與背景
第1章 線上廣告綜述
1.1 免費模式與互聯網核心資產
1.2 大數據與廣告的關係
1.3 廣告的定義與目的
1.4 線上廣告表現形式
1.5 線上廣告簡史
第2章 計算廣告基礎
2.1 廣告有效性原理
2.2 互聯網廣告的技術特點
2.3 計算廣告的核心問題
2.3.1 廣告收入的分解
2.3.2 結算方式與eCPM估計的關係
2.4 線上廣告相關行業協會
2.4.1 交互廣告局
2.4.2 美國廣告代理協會
2.4.3 美國國家廣告商協會

第二部分 線上廣告產品邏輯
第3章 線上廣告產品概覽
3.1 商業產品的設計原則
3.2 廣告系統的產品介面
3.2.1 廣告主層級組織與投放管理
3.2.2 供給方管理介面
3.2.3 供需之間多種介面形式
第4章 合約廣告
4.1 廣告位合約
4.2 受眾定向
4.2.1 受眾定向方法概覽
4.2.2 受眾定向標籤體系
4.2.3 標籤體系的設計思路
4.3 展示量合約
4.3.1 流量預測
4.3.2 流量塑形
4.3.3 線上分配
4.3.4 產品案例
5.4.2 交易終端
5.4.3 產品案例
5.5 競價廣告與合約廣告的比較
第6章 程式化交易廣告
6.1 即時競價
6.2 其他程式化交易方式
6.2.1 優選
6.2.2 私有市場
6.2.3 程式化直投
6.2.4 廣告交易方式譜系
6.3 廣告交易平臺
6.4 需求方平臺
6.4.1 需求方平臺產品策略
6.4.2 出價策略
6.4.3 出價和定價過程
6.4.4 重定向
6.4.5 新客推薦
6.4.6 產品案例
6.5 供給方平臺
6.5.1 供給方平臺產品策略
6.5.2 Header Bidding
6.5.3 產品案例
第7章 數據加工與交易
7.1 有價值的數據來源
7.2 數據管理平臺
7.2.1 三方數據劃分
7.2.2 第 一方數據管理平臺
7.2.3 協力廠商數據管理平臺
7.2.4 產品案例
7.3 數據交易的基本過程
7.4 隱私保護和數據安全
7.4.1 隱私保護問題
7.4.2 程式化交易中的數據安全
7.4.3 歐盟的通用數據保護條例
第8章 資訊流與原生廣告
8.1 移動廣告的現狀與挑戰
8.1.1 移動廣告的特點
8.1.2 移動廣告的傳統創意形式
8.1.3 移動廣告的挑戰
8.2 資訊流廣告
8.2.1 資訊流廣告的定義
8.2.2 資訊流廣告產品關鍵
8.3 其他原生廣告相關產品
8.3.1 搜索廣告
8.3.2 軟文廣告
8.3.3 聯盟
8.4 原生廣告平臺
8.4.1 表現原生與場景原生
8.4.2 場景的感知與應用
8.4.3 植入式原生廣告
8.4.4 產品案例
8.5 原生廣告與程式化交易

第三部分 計算廣告關鍵技術
第9章 計算廣告技術概覽
9.1 個性化系統框架
9.2 各類廣告系統優化目標
9.3 計算廣告系統架構
9.3.1 廣告投放引擎
9.3.2 數據高速公路
9.3.3 離線數據處理
9.3.4 線上數據處理
9.4 計算廣告系統主要技術
9.5 用開源工具搭建計算廣告系統
9.5.1 Web伺服器Nginx
9.5.2 分散式配置和集群管理工具ZooKeeper
9.5.3 全文檢索引擎Lucene
9.5.4 跨語言通信介面Thrift
9.5.5 數據高速公路Flume
9.5.6 分散式數據處理平臺Hadoop
9.5.7 特徵線上緩存Redis
9.5.8 流計算平臺Storm
9.5.9 高效的反覆運算計算框架Spark
第10章 基礎知識準備
10.1 資訊檢索
10.1.1 倒排索引
10.1.2 向量空間模型
10.2 最優化方法
10.2.1 拉格朗日法與凸優化
10.2.2 下降單純形法
10.2.3 梯度下降法
10.2.4 擬牛頓法
10.3 統計機器學習
10.3.1 最大熵與指數族分佈
10.3.2 混合模型和EM演算法
10.3.3 貝葉斯學習
10.4 統計模型分散式優化框架
10.5 深度學習
10.5.1 深度神經網路優化方法
10.5.2 卷積神經網路（CNN）
10.5.3 遞迴神經網路（RNN）
10.5.4 生成對抗網路（GAN）
第11章 合約廣告核心技術
11.1 廣告排期系統
11.2 擔保式投送系統
11.2.1 流量預測
11.2.2 頻次控制
11.3 線上分配
11.3.1 線上分配問題
11.3.2 線上分配問題舉例
11.3.3 極限性能研究
11.3.4 實用優化演算法
第12章 受眾定向核心技術
12.1 受眾定向技術分類
12.2 上下文定向
12.3 文本主題挖掘
12.3.1 LSA模型
12.3.2 PLSI模型
12.3.3 LDA模型
12.3.4 詞嵌入word2vec
12.4 行為定向
12.4.1 行為定向建模問題
12.4.2 行為定向特徵生成
12.4.3 行為定向決策過程
12.4.4 行為定向的評測
12.5 人口屬性預測
12.6 數據管理平臺
第13章 競價廣告核心技術
13.1 競價廣告計價演算法
13.2 搜索廣告系統
13.2.1 查詢擴展
13.2.2 廣告放置
13.3 廣告網路
13.4 廣告檢索
13.4.1 布林運算式的檢索
13.4.2 相關性檢索
13.4.3 基於DNN的語義建模
13.4.4 最近鄰語義檢索
第14章 點擊率預測模型
14.1 點擊率預測
14.1.1 點擊率基本模型
14.1.2 LR模型優化演算法
14.1.3 點擊率模型的校正
14.1.4 點擊率模型的特徵
14.1.5 點擊率模型評測
14.1.6 智慧頻次控制
14.2 其他點擊率模型
14.2.1 因數分解機
14.2.2 GBDT
14.2.3 深度學習點擊率模型
14.3 探索與利用
14.3.1 強化學習與E&E
14.3.2 UCB方法
14.3.3 考慮上下文的 bandit
第15章 程式化交易核心技術
15.1 廣告交易平臺
15.1.1 cookie 映射
15.1.2 詢價優化
15.2 需求方平臺
15.2.1 定制化用戶標籤
15.2.2 DSP中的點擊率預測
15.2.3 點擊價值估計
15.2.4 出價策略
15.3 供給方平臺
第16章 其他廣告相關技術
16.1 創意優化
16.1.1 程式化創意
16.1.2 點擊熱力圖
16.1.3 創意的發展趨勢
16.2 實驗框架
16.3 廣告監測與歸因
16.3.1 廣告監測
16.3.2 廣告安全
16.3.3 廣告效果歸因
16.4 作弊與反作弊
16.4.1 作弊的方法分類
16.4.2 常見的作弊方法
16.5 產品技術選型實戰
16.5.1 媒體實戰
16.5.2 廣告主實戰
16.5.3 數據提供方實戰

第四部分 附錄
附錄 主要術語及縮寫索引
參考文獻

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。他的微信公眾號為“計算廣告”。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。