在线广告全链路解析:从流量到转化的系统实践电子书

前折页

书名页

版权

前言

第一篇 初识广告系统

第1章 走近广告系统

1.1 在线广告的基本概念

1.1.1 在线广告参与主体

1.1.2 在线广告模式

1.1.3 在线广告类型

1.2 在线广告运行机制

1.2.1 业务运行机制

1.2.2 广告系统运行机制

1.3 在线广告形态

1.3.1 合约广告

1.3.2 竞价广告

1.3.3 合约广告和竞价广告对比

1.4 在线广告计费

1.4.1 竞价机制

1.4.2 计费方式

1.4.3 计费流程

第2章 广告主营销诉求的表达——出价

2.1 广告出价

2.1.1 什么是广告出价

2.1.2 广告出价产品

2.1.3 广告出价模式

2.2 目标成本出价

2.2.1 在线出价公式

2.2.2 出价控制器

2.2.3 推广到成本上限出价

2.3 最大转化出价

2.3.1 应用场景

2.3.2 预算择优分配

2.3.3 最优出价搜索

2.4 多转化目标出价

2.4.1 自动出价

2.4.2 双目标出价

2.5 出价工具——一键起量

2.5.1 应用场景

2.5.2 一键起量的原理

2.5.3 一键起量的挑战与解决方案

2.5.4 一键起量的调价

2.6 出价产品成本与优化

第3章 了解广告投放的效果和影响——归因

3.1 广告归因的基础概念

3.1.1 什么是广告归因

3.1.2 广告归因流程

3.2 广告归因原理

3.2.1 广告归因的基本知识

3.2.2 数据关联

3.2.3 归因方式

3.3 广告归因模型

3.3.1 基础归因模型

3.3.2 算法归因模型

3.4 广告作弊

3.4.1 归因劫持

3.4.2 虚假流量

3.5 风控系统

3.5.1 作弊如何规避

3.5.2 反作弊风控模型

第二篇 广告系统架构与数据解析

第4章 广告系统架构

4.1 广告系统架构总览

4.2 召回模块——百万级别广告毫秒级召回探秘

4.2.1 召回模块概览

4.2.2 索引构建

4.2.3 双塔模型召回

4.3 粗排模块——连接召回与精排的桥梁

4.3.1 粗排模块概览

4.3.2 粗排技术路线

4.3.3 粗排策略融合

4.3.4 粗排策略全链路生效

4.3.5 粗排策略管理

4.4 精排模块——个性化出价

4.4.1 广告与推荐场景下精排模块的差异

4.4.2 特征一致性保障

4.4.3 模型训练

4.4.4 为什么大模型比较好

4.4.5 在线推理

4.4.6 分层容错机制

第5章 广告数据处理与应用

5.1 广告数据源

5.1.1 一张图看清广告系统数据的来源

5.1.2 数据接入标准化与流程建设

5.2 广告数据应用——画像

5.2.1 用户画像

5.2.2 商品画像

5.3 广告数据应用——投放数据分析

5.3.1 广告关键指标与分析框架

5.3.2 描述性分析

5.3.3 验证性分析

5.3.4 探索性分析

5.4 广告数据应用——特征和样本构建

5.4.1 特征工程

5.4.2 特征筛选

5.4.3 样本拼接

第三篇 广告系统开发详解

第6章 从海量广告库中筛选相关度较高的广告——召回模型

6.1 召回技术的演变和评估指标

6.1.1 召回技术的发展历程

6.1.2 召回评估指标

6.2 定向召回

6.3 冷启动召回

6.3.1 配置核心人群使广告快速过冷启

6.3.2 冷启动召回模型优化方向

6.3.3 对比学习在冷启动中的应用

6.4 基于Trigger召回

6.4.1 DeepWalk召回

6.4.2 Swing召回

6.5 基于用户和广告的辅助信息召回

6.5.1 双塔召回

6.5.2 YouTube召回

6.6 基于多意图召回的应用

6.6.1 大语言模型相关性建模方法概述

6.6.2 大语言模型在搜索广告中的应用

6.6.3 生成式召回技术方案对比

6.7 多路召回技术方案

6.7.1 多路召回技术分类

6.7.2 多路召回技术落地挑战

第7章 对召回候选广告初步排序——粗排模型

7.1 粗排技术的发展历程及重要改进

7.1.1 粗排技术路线的选择

7.1.2 双塔模型的局限性

7.1.3 双塔模型的演进过程

7.2 粗排方案选择和训练过程

7.2.1 LTR模型概述

7.2.2 正负样本构建

7.2.3 模型训练优化

7.2.4 模型泛化能力提升

7.3 基于用户历史行为序列建模

7.3.1 融入与用户体验相关的特征

7.3.2 基于用户行为序列建模存在的挑战

7.3.3 建模方法

7.4 解决粗排冷启动问题

7.4.1 破解LTR模型“越推越窄”的困局

7.4.2 协调粗排与精排的冷启动策略差异

7.4.3 解决小样本广告预估偏差问题

7.5 粗排出价不敏感的优化策略

7.5.1 业内方案

7.5.2 优化策略

第8章 预测广告点击率——精排CTR模型

8.1 CTR模型的发展历程和评估指标

8.1.1 CTR模型的发展历程

8.1.2 评估指标

8.2 CTR模型的特征处理

8.2.1 特征向量化

8.2.2 特征预处理

8.2.3 特征交叉处理

8.2.4 特征冗余处理

8.3 多场景预估建模

8.3.1 多场景预估建模面临的技术挑战

8.3.2 领域自适应表征学习

8.3.3 自适应稀疏网络

8.4 冷启动优化

8.4.1 冷启动如何影响模型效果

8.4.2 线性结构过拟合现象

8.5 在线学习

8.5.1 在线学习的整体机制

8.5.2 在线学习面临的主要挑战

8.5.3 在线学习策略——参数冻结

8.5.4 在线学习策略——样本回放

8.5.5 在线学习策略——蒸馏学习

8.6 跨域：一种迁移学习方案

8.6.1 问题背景与迁移学习定位

8.6.2 迁移学习技术的核心逻辑

8.6.3 基于CoNet的跨域迁移学习方案改进

8.7 用户行为序列建模

8.7.1 标准序列建模

8.7.2 长短期序列建模

8.8 通过LLM增强CTR预估

8.8.1 广告预估挑战与LLM应用机会

8.8.2 基于嵌入提示的ID模型

8.8.3 基于LLM的长尾推荐

8.8.4 基于LLM的知识增强

第9章 预测广告转化率——精排CVR模型

9.1 样本选择偏差

9.1.1 什么是样本选择偏差

9.1.2 全空间多任务模型

9.1.3 多任务逆概率加权估计法和多任务双稳健估计法

9.1.4 ESCM2

9.2 数据稀疏

9.2.1 样本层面

9.2.2 模型层面

9.3 延迟反馈

9.3.1 延迟反馈的基本概念

9.3.2 业界研究进展

9.3.3 DFM方法

9.3.4 PU Loss方法

9.3.5 基于重要性采样的方法

9.4 深层转化率预估模型

9.4.1 应用方式

9.4.2 全空间建模

9.5 多任务预估模型

9.5.1 评估方式

9.5.2 多任务学习的关键问题

9.5.3 多任务经典模型

第10章 预测生命周期价值————精排LTV模型

10.1 LTV预估的发展历程与评估指标

10.1.1 基于数据分析

10.1.2 统计学模型

10.1.3 机器学习模型

10.1.4 深度学习模型

10.1.5 游戏场景下的LTV预估

10.1.6 评估指标

10.2 样本时效性优化与分天训练优化

10.2.1 数据延迟特性与挑战

10.2.2 T-0数据回流率低的应对策略

10.3 数据稀疏问题与全空间建模

10.3.1 正样本稀疏特性与影响

10.3.2 选择性偏差的产生原因与影响

10.3.3 全空间建模方案与模型结构

10.4 预估偏差优化与回归转分类策略

10.4.1 LTV预估偏差的业务挑战

10.4.2 回归与分类预估方案对比

10.4.3 通过特征优化提升预估稳定性

10.4.4 结合行业知识针对性优化

10.4.5 回归转分类的技术实现

第11章 模型校准

11.1 模型校准的价值

11.2 模型预估偏差的来源

11.2.1 数据采样偏差

11.2.2 采样校准失效

11.2.3 系统动态性

11.3 模型校准方法

11.3.1 非参数化方法——保序回归

11.3.2 参数化方法——贝叶斯平滑

11.3.3 混合方法——以神经网络为基础的保序回归

11.3.4 混合方法——以树模型为基础的保序回归

11.3.5 实时校准

11.4 校准误差度量方法

第12章 机制策略

12.1 广告预算分配

12.1.1 业界研究方向

12.1.2 预算控制

12.1.3 预算分配

12.1.4 播放概率控制

12.2 合约广告保量策略

12.2.1 离线售卖阶段的库存预估

12.2.2 离线售卖阶段的合约广告分配

12.2.3 在线投放阶段的保量系统构建

12.2.4 高并发场景下的保量分发

12.3 转化回流预估

12.3.1 转化延迟分布（F分布）模型

12.3.2 曝光后转化率预估（P分布）模型

12.4 自动调价策略

12.4.1 业界研究方向

12.4.2 调价策略

12.4.3 技术方案

12.4.4 调价计算流程

12.5 队列多样性控制

12.6 广告机制/策略的实验方法

12.6.1 差分增效

12.6.2 预算隔离

第13章 实验系统

13.1 广告实验设计

13.1.1 实验设计的核心

13.1.2 随机化样本选择

13.1.3 样本选择案例

13.2 广告实验效果评估

13.2.1 指标设计

13.2.2 评估方法

13.3 广告实验系统的运行流程

13.3.1 流程设计

13.3.2 实验关键要素

13.3.3 App实验案例

13.4 广告实验有效性决策方法

13.4.1 评估前提

13.4.2 内部有效性：实验效果的真实性保障

13.4.3 外部有效性：实验结论的泛化能力

13.4.4 实验数据验证流程与效果偏差修正

第四篇 广告系统核心问题

第14章 广告冷启动

14.1 影响广告冷启动的核心问题

14.1.1 广告冷启动：认知、定义与效果评估体系构建

14.1.2 冷启动解法

14.1.3 冷启动探索

14.2 冷启动的优化思路

14.2.1 冷启动问题分类

14.2.2 业界研究进展

14.2.3 冷启动期快速起量优化

14.2.4 后冷启动期效果优化

14.3 冷启动探索

14.3.1 冷启动策略——扶持金

14.3.2 冷启动策略——精准探索

第15章 广告成本达成

15.1 影响广告成本达成的主要因素

15.2 通过计费因子优化二价计费问题

15.3 出价校准

15.3.1 分人群出价

15.3.2 动态调价

15.4 广告风控

15.4.1 播速控制

15.4.2 eGMV修正

第16章 智能投放

16.1 AI驱动下广告行业的变革

16.1.1 智能营销生态下AIGC技术的应用

16.1.2 投放工具智能化

16.2 利用AIGC制作广告素材

16.2.1 素材创意挖掘：从数据到资产的结构化拆解

16.2.2 素材生成：提示语精准把控策略

16.3 智能投放决策

16.3.1 自动出价

16.3.2 自动版位分配

第五篇 广告相关从业者必知

第17章 广告诊断

17.1 广告起量问题

17.1.1 破局起量难题——智能化诊断能力构建

17.1.2 知识化——起量诊断知识库全视图

17.1.3 工具化——对起量知识进行工具化

17.1.4 智能化——智能诊断归因

17.2 广告成本达成问题

17.2.1 判定是否为真问题

17.2.2 判定是否为非系统因素

17.2.3 判定是否为实验环境异常

17.2.4 精排问题模块定位

17.2.5 模块内具体问题溯因

17.3 广告稳定性问题

17.3.1 拆解消耗

17.3.2 诊断挑战

17.3.3 排查思路和解决方案

第18章 媒体流量提收

18.1 媒体流量提收的分析方法

18.1.1 提收分析概览

18.1.2 提收空间识别

18.1.3 用户数据盘点

18.1.4 流量库存盘点

18.1.5 广告位优化

18.2 链路优化

18.2.1 广告展示链路优化

18.2.2 “自然流量+广告混排”优化

18.3 客户侧优化

18.3.1 品类拓展提升客户预算占比

18.3.2 素材破圈

18.4 用户体验优化

18.4.1 负反馈处理

18.4.2 新鲜度及多样性策略

18.4.3 AdLoad动态调整

18.5 联盟广告

18.5.1 竞价方式优化

18.5.2 媒体画像构建

第19章 行业大推

19.1 大推项目运行模式

19.1.1 大推项目承接的关键思路

19.1.2 媒介选择

19.1.3 广告投放准备

19.1.4 确认首发归因逻辑

19.2 投前预估

19.2.1 人群量级预估

19.2.2 出价建议

19.2.3 游戏付费点确定

19.3 游戏大推场景下的投放优化体系

19.3.1 投放流程优化策略

19.3.2 预算优化策略

19.3.3 核心指标优化策略

19.3.4 冷启动优化策略

19.3.5 起量优化策略

19.3.6 出价校准策略

后折页