计算机广告学目录

网易公开课地址
http://study.163.com/course/courseLearn.htm?courseId=321007#/learn/video?lessonId=435061&courseId=321007

1、第一周：广告的基本知识。

介绍了广告的目的和广告的有效性模型；介绍了在线广告的特点（技术和计算导向，可衡量性，标准化）；引出了计算广告核心问题：Find
the best match Between a given User u, in a given context c, and a suitable ad a，即在给定的User u和上下文 c的情况下，找到一个使ROI最大的广告a；接着将ROI分解为点击率（CTR）和点击价值的乘积；最后给出了在线广告系统架构。

2、第二周：合约广告系统

首先承接上周，介绍了如何用开源工具（Hadoop, Storm, Thrift, Scribe 等等）搭建在线广告系统，然后介绍了在线广告的最初形式：合约式广告系统。合约广告系统包括直接媒体购买，担保式投送（Guaranteed
Delivery,GD)。在GD中，主要问题可以建模为一个在线分配问题，这个问题可以用拉格郎日对偶法求解；接着介绍了流量预测指导下的GD在线分配问题；最后介绍了如何利用开源工具进行统计学习。

3、第三周：受众定向

在流量不再增长的时候，媒体（比如yahoo）希望将它们的广告按照不同的受众划分进行售卖，从而产生了受众定向的需求。受众定向即为advertise、User、Context打标签的过程；介绍了做受众定向的代表公司Audience
Science；受众定向的方式包括行为定向，上下文定向；为了更好地进行上下文定向，需要了解网页主题，在这里介绍了Topic Model相关的模型，包括PLSI、LDA，并介绍了PLSI和LDA之间的关系：LDA可以视为PLSI的经验贝叶斯（Empirical Bayes）版本；最后介绍了数据加工交易和数据管理平台（Data Management Platform), 这里的数据很多就是用于受众定向的用户标签。

4、第四周：竞价广告系统

首先介绍了位置拍卖理论，定价机制（包括VCG和广义第二高价－GSP）；接着介绍了广告网络的架构图；然后介绍了广告检索相关方法，包括布尔表达式检索（Index算法）和长Query情况下的相关性检索方法（WAND算法）；接着又介绍了流量预测方法；最后介绍了大家都很关注的问题点击率（CTR）预测方法，介绍了逻辑回归优化方法，包括L－BFGS算法和ADMM方法，还介绍了利用多层次点击反馈等动态特征预测CTR的方法。

5、第五周：搜索广告、广告网络Demand端技术

承接上周介绍了归一化点击率特征的方法（COEC）、点击反馈的平滑方法（经验贝叶斯），以及如何通过探索和利用（Explore and Exploit)为长尾组合创造出合适的展示机会以积累数据，从而更正确地预测CTR（介绍了UCB算法和Contextual
Bandit 方法）。针对市场上份额较大的搜索广告形式，介绍了其特殊的方法，包括查询词扩展，用户相关的个性化搜索广告决策和短时用户行为反馈，另外简单地介绍了流式计算平台Storm。针对广告网络Demand端技术，介绍了非RTB流量的ROI优化。

6、第六周：广告交易市场

针对广告交易市场，介绍了广告交易平台，实时竞价模式（RTB）以及代表公司RightMedia，给出了Ad Exchange系统架构图，实时竞价设计的关键技术（比如Cookie Mapping）。介绍了广告交易市场的一个参与方－供应方平台（Supply
Side Platform, SSP)以及代表公司ADMELD, 介绍了广告交易市场的另一个参与方－需求方平台（Demand Side Platform， DSP）以及代表公司InviteMedia。介绍了DSP面临的流量预测问题（Bid landscape Prediction）和点击价值估计问题。接着介绍了DSP受众定向的方法：重定向（网站重定向，搜索重定向，个性化出重定向），新客推荐。

最后总结了广告流量的交易方式，分别从需求方和供应方角度进行解读；并以所有参与在线广告市场的公司构图总结了本次课程。

来源： <http://www.lifecrunch.biz/archives/293>