本书是计算广告领域受大家认可的作品。
本书第1版和第2版出版以后，获得的业界反响超乎了我们的想象。实际上，本书已经广泛被互联网公司采用，作为商业化相关部门的培训教程，甚至还成了某大公司商业化部门年会时的”阳光普照奖”奖品。
经过一段时间的补充与修订，我们向读者奉上这次的新版。新版新增了竞价广告的产品脉络、计算分工带来的产品方向的演进，以及智能投放的产品原理。
希望本书能帮助读者深入了解互联网流量与数据变现，洞察互联网增长与财富的秘密，搭建商业化与获客的产品技术体系。
对以下读者，我们相信本书值得一读：
● 互联网公司的商业化、大数据和用户增长部门的朋友；
● 传统广告与数字广告从业者；
● 对推荐、大数据、人工智能技术的应用有兴趣者；
● 转型中的传统企业和创业公司的战略决策者；
● 计算机相关专业学生。
第一部分 在线广告市场与背景
第 1章 在线广告综述
1.1 免费模式与互联网核心资产
1.2 大数据与广告的关系
1.3 广告的定义与目的
1.4 在线广告表现形式
1.5 在线广告简史
第 2章 计算广告基础
2.1 广告有效性原理
2.2 互联网广告的技术特点
2.3 计算广告的核心问题
2.3.1 广告收入的分解
2.3.2 结算方式与eCPM估计的关系
2.4 在线广告相关行业协会
2.4.1 交互广告局
2.4.2 美国广告代理协会
2.4.3 美国国家广告商协会
第二部分 在线广告产品逻辑
第3章 在线广告产品概览
3.1 商业产品的设计原则
3.2 广告系统的产品接口
3.2.1 广告主层级组织与投放管理
3.2.2 供给方管理接口
3.2.3 供需之间多种接口形式
第4章 合约广告
4.1 广告位合约
4.2 受众定向
4.2.1 受众定向方法概览
4.2.2 受众定向标签体系
4.2.3 标签体系的设计思路
4.3 展示量合约
4.3.1 流量预测
4.3.2 流量塑形
4.3.3 在线分配
4.3.4 产品案例
5.4.2 交易终端
5.4.3 产品案例
5.5 竞价广告与合约广告的比较
第6章 程序化交易广告
6.1 实时竞价
6.2 其他程序化交易方式
6.2.1 优选
6.2.2 私有市场
6.2.3 程序化直投
6.2.4 广告交易方式谱系
6.3 广告交易平台
6.4 需求方平台
6.4.1 需求方平台产品策略
6.4.2 出价策略
6.4.3 出价和定价过程
6.4.4 重定向
6.4.5 新客推荐
6.4.6 产品案例
6.5 供给方平台
6.5.1 供给方平台产品策略
6.5.2 Header Bidding
6.5.3 产品案例
第7章 数据加工与交易
7.1 有价值的数据来源
7.2 数据管理平台
7.2.1 三方数据划分
7.2.2 第 一方数据管理平台
7.2.3 第三方数据管理平台
7.2.4 产品案例
7.3 数据交易的基本过程
7.4 隐私保护和数据安全
7.4.1 隐私保护问题
7.4.2 程序化交易中的数据安全
7.4.3 欧盟的通用数据保护条例
第8章 信息流与原生广告
8.1 移动广告的现状与挑战
8.1.1 移动广告的特点
8.1.2 移动广告的传统创意形式
8.1.3 移动广告的挑战
8.2 信息流广告
8.2.1 信息流广告的定义
8.2.2 信息流广告产品关键
8.3 其他原生广告相关产品
8.3.1 搜索广告
8.3.2 软文广告
8.3.3 联盟
8.4 原生广告平台
8.4.1 表现原生与场景原生
8.4.2 场景的感知与应用
8.4.3 植入式原生广告
8.4.4 产品案例
8.5 原生广告与程序化交易
第三部分 计算广告关键技术
第9章 计算广告技术概览
9.1 个性化系统框架
9.2 各类广告系统优化目标
9.3 计算广告系统架构
9.3.1 广告投放引擎
9.3.2 数据高速公路
9.3.3 离线数据处理
9.3.4 在线数据处理
9.4 计算广告系统主要技术
9.5 用开源工具搭建计算广告系统
9.5.1 Web服务器Nginx
9.5.2 分布式配置和集群管理工具ZooKeeper
9.5.3 全文检索引擎Lucene
9.5.4 跨语言通信接口Thrift
9.5.5 数据高速公路Flume
9.5.6 分布式数据处理平台Hadoop
9.5.7 特征在线缓存Redis
9.5.8 流计算平台Storm
9.5.9 高效的迭代计算框架Spark
第 10章 基础知识准备
10.1 信息检索
10.1.1 倒排索引
10.1.2 向量空间模型
10.2 最优化方法
10.2.1 拉格朗日法与凸优化
10.2.2 下降单纯形法
10.2.3 梯度下降法
10.2.4 拟牛顿法
10.3 统计机器学习
10.3.1 最大熵与指数族分布
10.3.2 混合模型和EM算法
10.3.3 贝叶斯学习
10.4 统计模型分布式优化框架
10.5 深度学习
10.5.1 深度神经网络优化方法
10.5.2 卷积神经网络（CNN）
10.5.3 递归神经网络（RNN）
10.5.4 生成对抗网络（GAN）
第 11章 合约广告核心技术
11.1 广告排期系统
11.2 担保式投送系统
11.2.1 流量预测
11.2.2 频次控制
11.3 在线分配
11.3.1 在线分配问题
11.3.2 在线分配问题举例
11.3.3 极限性能研究
11.3.4 实用优化算法
第 12章 受众定向核心技术
12.1 受众定向技术分类
12.2 上下文定向
12.3 文本主题挖掘
12.3.1 LSA模型
12.3.2 PLSI模型
12.3.3 LDA模型
12.3.4 词嵌入word2vec
12.4 行为定向
12.4.1 行为定向建模问题
12.4.2 行为定向特征生成
12.4.3 行为定向决策过程
12.4.4 行为定向的评测
12.5 人口属性预测
12.6 数据管理平台
第 13章 竞价广告核心技术
13.1 竞价广告计价算法
13.2 搜索广告系统
13.2.1 查询扩展
13.2.2 广告放置
13.3 广告网络
13.4 广告检索
13.4.1 布尔表达式的检索
13.4.2 相关性检索
13.4.3 基于DNN的语义建模
13.4.4 最近邻语义检索
第 14章 点击率预测模型
14.1 点击率预测
14.1.1 点击率基本模型
14.1.2 LR模型优化算法
14.1.3 点击率模型的校正
14.1.4 点击率模型的特征
14.1.5 点击率模型评测
14.1.6 智能频次控制
14.2 其他点击率模型
14.2.1 因子分解机
14.2.2 GBDT
14.2.3 深度学习点击率模型
14.3 探索与利用
14.3.1 强化学习与E&E
14.3.2 UCB方法
14.3.3 考虑上下文的 bandit
第 15章 程序化交易核心技术
15.1 广告交易平台
15.1.1 cookie 映射
15.1.2 询价优化
15.2 需求方平台
15.2.1 定制化用户标签
15.2.2 DSP中的点击率预测
15.2.3 点击价值估计
15.2.4 出价策略
15.3 供给方平台
第 16章 其他广告相关技术
16.1 创意优化
16.1.1 程序化创意
16.1.2 点击热力图
16.1.3 创意的发展趋势
16.2 实验框架
16.3 广告监测与归因
16.3.1 广告监测
16.3.2 广告安全
16.3.3 广告效果归因
16.4 作弊与反作弊
16.4.1 作弊的方法分类
16.4.2 常见的作弊方法
16.5 产品技术选型实战
16.5.1 媒体实战
16.5.2 广告主实战
16.5.3 数据提供方实战
第四部分 附录
附录 主要术语及缩写索引
参考文献
