版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Shingle_/article/details/82119192
广告的目的与效果
广告：由确定的出资人通过各种媒介进行有关产品的，通常是有偿的、有组织的、综合的、劝服性的非人员的信息传播活动。广告的主体： 出资人、媒介、受众（三方的博弈）
- 品牌广告：创造独特良好的品牌或产品形象，目的在于提升较长时期内的离线转化率
- 效果广告：在短期内明确用户转化行为诉求的广告。
广告 vs 推荐系统：
- 广告：文字链 好于 图片
- 推荐系统：图片 好于 文字链
搜索、广告与推荐的比较：
| . | 搜索 | 搜索广告 | 显示广告 | 推荐 |
|---|---|---|---|---|
| 首要准则 | 相关性relevence | 投资回报率ROI | · | 用户兴趣 |
| 其他需求 | 各垂直领域独立定义 | 质量，安全性 | · | 多样性diversity，新鲜度freshness |
| 索引规模 | ~十亿级 | ~百万级–千万级 | ~百万级 | ~百万级–亿级 |
| 个性化 | 较少 | 较少 | 亿级用户 | 亿级用户 |
| 检索信号 | 集中 | 集中 | 丰富 | 丰富 |
| Downstream优化 | 不适用（搜索结果是终点） | 不适用 | 不适用 | 适用。同质化（点一个商品推下一个，点一个新闻推下一个新闻） |
在线广告的独特性
- 技术和计算导向
- 可衡量性
- 标准化
在线广告的核心计算问题
优化角度：
- 特征提取：受众定向
- 微观优化：CTR预测
- 宏观优化：竞价市场机制
- 受限优化：在线分配
- 强化学习：探索与利用
- 个性化重定向：推荐技术
系统角度：
- 候选查询：实时索引
- 特征存储：No-sql技术
- 离线学习：Hadoop
- 在线学习：流计算
- 交易市场：实时竞价
挑战：
- 大规模：百万量级页面、十亿量级的用户；高并发；Latency的严格要求。
- 动态性：用户的关注和购物兴趣非常快速地变化
- 丰富的查询信息：需要把用户和上下文中多样的信号一起用于检索广告候选
ROI：点击率（CTR） × 点击价值
在线广告系统
- 高并发投送系统：十毫秒级别的实时决策；百亿次每天的广告投放系统
- 受众定向平台：灵活的海量数据挖掘平台；前沿机器学习算法的分布式架构
- 数据高速公路：内部及外部TB级数据实时收集处理
- 流式计算平台：日志的准实时挖掘和反馈；反作弊与计价
相应的开源工具：
- Hadoop（HDFS、MapReduce）
- Hbase（Hadoop）、Cassandra（Facebook）
- mahout（Hadoop）
- Pig（Yahoo）、Hive（Facebook）
- Storm（Twitter）
- Thrift（Facebook）、Dubbo（Alibaba）、Avro（Hadoop）
- Zookeeper（Yahoo）
- Scribe（Facebook）、kafka（Linkedin）、flume（Cloudera）、Chukwa（Hadoop）
http://study.163.com/course/courseMain.htm?courseId=321007#/courseDetail