掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
互聯網廣告系統 架構、算法與智能化 版權信息
- ISBN：9787111725824
- 條形碼：9787111725824 ; 978-7-111-72582-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
互聯網廣告系統 架構、算法與智能化 本書特色
（1）作者背景資深：作者在Google和騰訊從事廣告工作10余年，曾擔任騰訊廣告技術總監和騰訊廣告引擎總架構師。
（2）作者經驗豐富：作者主導了騰訊廣告引擎的設計和開發，檢索系統、海量數據分析系統、深度學習系統、社交廣告系統等，這些系統支撐了騰訊廣告10年的快速發展。
（3）架構師的視角：以架構師視角對超大規模廣告系統進行回顧與思考，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。
（4）強調工程實踐：以工程實踐為導向，詳細講解了廣告系統的投放系統、播放系統、策略系統、數據系統等各個子系統的架構與設計。
互聯網廣告系統 架構、算法與智能化 內容簡介
這是一部從工程實踐角度講解互聯網廣告系統的業務價值、產品形態、架構設計、技術選型、落地方法論、實施路徑和行業案例的著作，是作者在Google和騰訊從事廣告系統架構設計與工程實現的10余年經驗總結。
通過本書，你將掌握以下內容：
（1）互聯網廣告的生態和產品形態
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絡和程序化購買生態；蕞后介紹了在線廣告產品形態，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網廣告生態的宏觀認知。
（2）廣告投放系統的架構與設計
結合FacebookMarketing、GoogleAds、TwitterAds等廣告平臺講解了廣告投放系統，主要內容包括廣告的層級結構、三個廣告平臺API的特點及用法演示，以及API的基本設計原則和設計方法論。讀者可以從本章中學到現代廣告系統投放子系統的設計思想。
（3）廣告系統的設計方法論
互聯網廣告系統的規模往往比較大，詳細介紹了以分布式系統為代表的大規模網絡系統的架構設計方法論，為讀者設計廣告系統打下基礎。
（4）廣告系統的工程架構
詳細講解了廣告播放系統的架構設計、廣告系統的數據架構設計、廣告系統中的A/B測試等。
（5）廣告策略系統的架構設計
首先介紹了廣告競價原理和廣告策略系統設計；然后講解了廣告系統預估子系統，包括預估模型數據處理、常用的模型評價方法與指標、常用的模型訓練方法，以及新廣告點擊率預估和轉化率預估。
本書系統闡述了互聯網廣告系統設計的方方面面，對廣告系統、推薦系統、大數據系統的建設具有很高的參考價值。
互聯網廣告系統 架構、算法與智能化 目錄
序
前 言
第1章 互聯網廣告生態1
1.1 互聯網廣告生態的參與者1
1.1.1 主要在線廣告平臺2
1.1.2 主要在線廣告網絡8
1.1.3 程序化購買生態12
1.2 在線廣告產品形態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19
第2章 廣告投放系統20
2.1 廣告層級結構20
2.1.1 Facebook Marketing廣告層級結構20
2.1.2 Google Ads廣告層級結構22
2.1.3 Twitter Ads廣告層級結構25
2.2 API的基本設計原則26
2.2.1 API的價值性27
2.2.2 API的規劃性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57
第3章 大規模網絡系統架構
設計58
3.1 大規模網絡系統歷史背景58
3.2 分布式集群管理系統59
3.2.1 Docker簡介61
3.2.2 微服務技術簡介63
3.2.3 Kubernetes簡介64
3.3 分布式文件系統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 數據中心內部的負載
均衡77
3.7 監控與告警系統77
3.8 網絡服務接口規范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84
第4章 廣告播放系統架構設計85
4.1 廣告播放系統架構85
4.2 數據ETL模塊86
4.2.1 數據提取87
4.2.2 數據轉換91
4.2.3 數據加載92
4.3 檢索模塊95
4.3.1 文本檢索技術96
4.3.2 布爾檢索103
4.3.3 近鄰搜索119
4.4 本章小結129
第5章 廣告系統數據架構設計130
5.1 廣告系統數據架構130
5.2 廣告系統數據類型131
5.2.1 廣告元數據131
5.2.2 廣告日志數據133
5.2.3 用戶畫像數據134
5.2.4 廣告上下文數據147
5.2.5 廣告主私有數據與
再營銷148
5.3 數據管理平臺150
5.3.1 數據管理平臺簡介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157
5.4.2 特征補錄與訓練樣本
數據流159
5.4.3 特征存儲161
5.4.4 特征處理算法162
5.4.5 建設統一特征工程平臺的
必要性165
5.5 本章小結165
第6章 A/B測試與互聯網廣告166
6.1 A/B測試介紹166
6.2 收集實驗數據167
6.2.1 流量管理168
6.2.2 流量分層169
6.3 實驗數據分析176
6.3.1 大數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測試的廣告應用場景194
6.6 本章小結194
第7章 廣告系統策略195
7.1 廣告競價195
7.1.1 博弈論基礎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 廣告策略系統設計242
7.2.1 廣告系統粗排設計243
7.2.2 廣告預算控制系統245
7.2.3 廣告調價算法247
7.3 本章小結250
第8章 預估算法251
8.1 訓練數據準備與模型離線
評估252
8.1.1 訓練數據準備252
8.1.2 模型離線評估254
8.2 常用的預估模型261
8.2.1 邏輯回歸模型與機器學習
基礎262
8.2.2 支持自動特征發現的模型
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 廣告轉化率預估334
8.5 本章小結336
前 言
第1章 互聯網廣告生態1
1.1 互聯網廣告生態的參與者1
1.1.1 主要在線廣告平臺2
1.1.2 主要在線廣告網絡8
1.1.3 程序化購買生態12
1.2 在線廣告產品形態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19
第2章 廣告投放系統20
2.1 廣告層級結構20
2.1.1 Facebook Marketing廣告層級結構20
2.1.2 Google Ads廣告層級結構22
2.1.3 Twitter Ads廣告層級結構25
2.2 API的基本設計原則26
2.2.1 API的價值性27
2.2.2 API的規劃性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57
第3章 大規模網絡系統架構
設計58
3.1 大規模網絡系統歷史背景58
3.2 分布式集群管理系統59
3.2.1 Docker簡介61
3.2.2 微服務技術簡介63
3.2.3 Kubernetes簡介64
3.3 分布式文件系統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 數據中心內部的負載
均衡77
3.7 監控與告警系統77
3.8 網絡服務接口規范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84
第4章 廣告播放系統架構設計85
4.1 廣告播放系統架構85
4.2 數據ETL模塊86
4.2.1 數據提取87
4.2.2 數據轉換91
4.2.3 數據加載92
4.3 檢索模塊95
4.3.1 文本檢索技術96
4.3.2 布爾檢索103
4.3.3 近鄰搜索119
4.4 本章小結129
第5章 廣告系統數據架構設計130
5.1 廣告系統數據架構130
5.2 廣告系統數據類型131
5.2.1 廣告元數據131
5.2.2 廣告日志數據133
5.2.3 用戶畫像數據134
5.2.4 廣告上下文數據147
5.2.5 廣告主私有數據與
再營銷148
5.3 數據管理平臺150
5.3.1 數據管理平臺簡介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157
5.4.2 特征補錄與訓練樣本
數據流159
5.4.3 特征存儲161
5.4.4 特征處理算法162
5.4.5 建設統一特征工程平臺的
必要性165
5.5 本章小結165
第6章 A/B測試與互聯網廣告166
6.1 A/B測試介紹166
6.2 收集實驗數據167
6.2.1 流量管理168
6.2.2 流量分層169
6.3 實驗數據分析176
6.3.1 大數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測試的廣告應用場景194
6.6 本章小結194
第7章 廣告系統策略195
7.1 廣告競價195
7.1.1 博弈論基礎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 廣告策略系統設計242
7.2.1 廣告系統粗排設計243
7.2.2 廣告預算控制系統245
7.2.3 廣告調價算法247
7.3 本章小結250
第8章 預估算法251
8.1 訓練數據準備與模型離線
評估252
8.1.1 訓練數據準備252
8.1.2 模型離線評估254
8.2 常用的預估模型261
8.2.1 邏輯回歸模型與機器學習
基礎262
8.2.2 支持自動特征發現的模型
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 廣告轉化率預估334
8.5 本章小結336
展開全部
互聯網廣告系統 架構、算法與智能化 作者簡介
唐溪柳，資深廣告技術專家和軟件架構專家，先后就職于Google和騰訊，曾擔任騰訊廣告技術總監（T13專家工程師）、騰訊廣告引擎總架構師。主導了騰訊廣告檢索系統、海量數據分析系統、深度學習系統的架構設計與開發工作，以及騰訊社交廣告系統從0到1的搭建，現為匯量科技資深架構師。 從事軟件架構工作20余年，經歷過各種項目，從小型Web服務到大型企業應用程序。專注于深度學習系統技術、檢索系統、分布式網絡服務、語言模型、大數據處理等方向，對編碼、設計原則、數據庫和軟件架構等概念有深刻理解。工作目標是創建健壯、安全和可擴展的軟件系統，熱衷于開發解決復雜問題并幫助組織實現目標的創新解決方案。 在領導開發團隊、管理資源以及與其他團隊協作方面經驗豐富，是一個優秀的溝通者，善于向非技術人員解釋復雜的技術概念。對細節有敏銳的洞察力，能夠在潛在風險和問題出現之前識別它們。
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
上帝之肋:男人的真實旅程
- >
【精裝繪本】畫給孩子的中國神話
- >
詩經-先民的歌唱
- >
隨園食單
- >
名家帶你讀魯迅:故事新編
- >
小考拉的故事-套裝共3冊
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
