コンピューティング広告|「やインターネット広告のアルゴリズム及びシステム実践「研究ノート

入門

これは私が読んだある「インターネット広告の練習アルゴリズムやシステムを、」ノート著者王Yongrui、読み取りが百度で購入することができ、書籍の長さは、1日が読み取ることができ、非常に短いです。

この本は、アルゴリズムの検索広告、非サーチ（方向性）広告アルゴリズムとリアルタイム入札アルゴリズム広告を導入し、ソートなどCTR、有効インプレッション単価などの一般的な概念の広告アウト読者は、どのような実際には広告システムを構成することは、問題とみなされますそれは多くの数学モデルとアルゴリズムを必要としません。初心者に適した、しかし白としてこの本は、コンテンツの多くは、読んだ後に深い理解を欠いている、消化の具体的な事例はありません。私はいくつかの実務経験を持つようにして、ダイジェストに本を読んでもらいたいです。計画では、教師劉鵬を読み続けたら、「広告を計算します。」

インターネット広告の練習アルゴリズム及びシステム

インターネット広告の導入の最初の部分

広告に1.1はじめに

• 広告は、関連製品は（財、サービスやアイデアを）実施し、様々なメディアを通じて投資家によって識別され、かつ、非人員の整理、総合的、説得力のある情報発信活動を支払っています。

• 広告主、メディア、一般の観客：従来の広告サービスは、三者的な役割を含めます

• 広告の歴史

1.2インターネット広告

• ディスプレイ広告、宣伝契約、ターゲットを絞った広告、観客のターゲット技術
• 保証配信タイプ
• オークション広告、一般秒オークションGSP、GSP一般一次のオークション
• 検索連動型広告、コンテンツターゲット広告、リアルタイムのオークション
• 広告の交換、需要側のプラットフォーム、プラットフォームプロバイダ
• 課金：PPC CPCを、売上高が賃金を示すために、CPS、CPM CPMを支払っ

1.3インターネット広告の種類

• バナー広告
• ダイレクトマーケティング広告をメールで送信
• リッチメディア広告
• 動画広告
• テキストリンク広告
• ソーシャル広告
• モバイル広告を終了

モデルの1.4妥当性

• 露出：場所は非常に重要です。
• 注意：創造的な魅力を宣伝し、援助の正確な配達は、アルゴリズムを指示しました
• 理解する：ユーザーが迅速に広告を理解することができます
• 群衆行動の研究をするだけでなく、心理学で：情報が受け入れ
• ホールド：長期的な変革の追求
• 購入：最終的な決定は、より多くの、より良い選択肢を提供するために

グッドアイデアだけでなく、魅力的（リフトCTR）、だけでなく、人々をつかむために（ROIを向上させるため）。

1.5課金モデル

• CPM：コストパーマイルは、会計千の展示に合わせて、広告プラットフォームの結果はショーの後の保証をしません。ブランド広告のため。
• CPT：時間当たりのコスト、単位時間課金。露出を高めるために。
• CPC：クリック単価は、クリックあたり千に従って、広告システムは、推定CTR CTRを担当し、広告主がオークションに参加することができます。CTRに焦点を当てたが、実際の広告売上高、広告主が負担するリスクを気にしません。
• CPS：コンバージョン率、広告主のための良好な関係を売り上げあたりのコスト、。

広告主のために、降順のリスク：CPM / CPT、CPC、CPS

収益の測定基準システムを広告：CPM CPMが期待戻り値のeCPMを表示する場合。

1.6メカニズムデザイン

1.6.1広告オークション

• A nは広告、広告スロットS M、M <Nであり、A、Sから選択広告オークション広告をM、順次配置されました。
• 競争入札を示す機会に加えて、Sソート位置を含みます。
• 広告オークションプロセスは、広告や宣伝ソート控除に分かれています。ソート充電にどのくらい考慮控除を表示する広告を考える広告。
• 広告オークションは、互換性の高いゲーム、ナッシュ均衡点、バランスノーローカル嫉妬、支配的な戦略を、繰り返されます

1.6.2広い注文価格GFP

• 広告は一切控除を示しません
• まず、注文価格は、広告主が自分自身を入札です。
• ナッシュ均衡は大幅に削減広告オークションロボットシステムの利益につながる、存在しません。

1.6.3 GSP一般化第二価格

• クリックが発生した場合、i番目のビットに対応する広告は、GSPの充電広告主はI、I + 1ビットの広告オークション通貨プラス最小ビット。
• 広告主が同じ位置を示して入札を、下げる場合は、手数料を減らすことはありません。自宅で入札の挙動は、よりクリックを支払うために家につながる、減少していません。何の嫉妬局所平衡はありません。
• 平衡入札：N広告A、各Vの広告価値、m個の広告スロットS、クリックスルー率X、各入札Pの現在位置の各位置 広告jがスロットと任意の位置について得られたI \（（v_j-P_I）X_I \ GE（v_j-P_ {I-1}）X_ {I-1} \）
• 均衡は、一意ではない互換性のインセンティブではありません。
• 現実控除で広告が考慮すべき要素に当たります。私が広告のため、私はシステムを宣伝することは、現在のシーンのヒットが千あたりの予想売上高を示すために計算され、入札BIと組み合わせて、aiを推定（ecpm_i = a_ib_i \）を\に合わせて広告のセットに続いて、（有効インプレッション単価\）\ソートフロント、ショーのためのいくつかの部分。i番目の広告がクリックされた場合、広告主から差し引か料を充電する場合、\（\ FRAC {A_ {I + 1} B_ {I + 1}} {a_iを} + 最小の通貨単位\）
  • 最高CTR場合は、手数料のネット、少ない広告主、最適化広告の品質にユーザーを奨励するも、そのCTRを向上させます。

1.6.4 VCGメカニズム

• 目標は、社会的価値を最大化することです
• あり、N、Sの広告オークションオファー広告スペースはV、広告プラットフォーム広告Aの数で、クリックスルー率、各位置Xのために、各広告V.の実質価格 私は、オークションに参加しないと予想総収益のキーワード広告は、広告主が私の後に来たとき、私は+ 1、...、mが提供されています

\ [X_iv_ {I + 1} + X_ {I + 1} V_ {I} + 2 + ... + x_mv_ {M + 1} \]

• 以来\（a_iを\）広告のための値を取得し、参加します

\ [X_ {I + 1} V_ {I + 1} + X_ {I + 2} V_ {I + 2} + ... + x_mv_ {M} + X_ {M + 1} V_ {M + 1} \ ]

• Mのみ通常の広告スロット、そう\（X_ {M + 1} = 0 \） 、もし\（a_iを\）をクリックすると、それは社会的便益他の個人の損失を支払う価格です

\ [（X_I-X_ {I + 1}）V_ {I + 1} +（X_ {I + 1} -X {I + 2}）V_ {I + 2} + ... +（X_ {M- 1} -x_m）V_M +（x_m-X_ {M + 1}）V_ {M + 1} \]

• GSPに比べVCGの利点
  1. 互換性の高いVCGは、入札の本当の評価に応じて最良の選択であります
  2. 広告主の賛成で、社会的価値を最大化するためにVCGメカニズム
  3. VCGナッシュ均衡は、唯一の均衡点が存在します
• 短所
  1. 計算力障害、差解釈可能
  2. VCG控除同じオークションはGSPのメカニズム、広告収入を下げるには消極的システムよりも低くなっています

1.7技術的な問題

• 最適化の目標
  • コンピューティング広告：ベストマッチの間に、ユーザー、コンテキストと適切な広告を見つけます。
  • インターネット広告のアルゴリズムコアの問題：ユーザー、環境、すべての効果的な広告メッセージ、最も適切な配信モデルと戦略、アカウントの視聴者を考慮して、広告主、広告プラットフォーム最善の利益を見つけ、そして絶えず調整します。
  • ユーザーU、環境、C、広告A、アルゴリズムの目的関数\（F（U、C、 A）\）
    • 広告主のために、投資収益ROI、懸念\（F = \ FRAC {\ sum_iReturn_i} {\ sum_iInvest_i} \）
    • ユーザのための、\（= F. \ FRAC {\ sum_iClick_i} {\ sum_iImpression_i} \）
    • 広告システムの場合は、\（F = CTR * PPC *ディスカウント\）、\ （CTRが\）クリックスルー率で、\（PPCは\）クリック費、です\（ディスカウント\）ビジネス要因。
• 検索エンジン技術
  • そして、システム標準化された手順を介して利用可能な無広告クローラモジュールに類似エンジンの広告システムを検索します。
• リアルタイムコンピューティング技術とストレージ技術
  • 読み書きするために大規模なストレージ・システムの必要性、我々はリアルタイムコンピューティング・システムを必要としています。
• 推奨技術
• 推定CTR CTR予測
• 広告主ツール
  • 広告主のために、広告システムは、マーケティングツールと統計ツールを提供します。
• システムアーキテクチャの概要
  • エンジンフロントエンド：広告ページを受け入れるためには、オンライン、オンラインの一部であり、リターン要求者を、ステッチ結果を得るために、バックエンドで予備契約を発行し、要求を送信しました
  • 検索エンジン：オンライン効率とパフォーマンスに焦点を当て、
  • リアルタイムのクリックスルー率の予測サービス：オンライン広告得点、1次元、2次元のスコア、
  • 広告主のニュース更新サービス操作：広告主はオンライン、広告オークションを変更する権利を持っています
  • ユーザーの行動データを収集し、システムを更新します。一般的なオンライン
  • 特徴抽出と行動分析：一般的な使用のHadoopプラットフォーム、オフライン
  • アンチチートシステム：Offineとオンライン
  • 広告主の背景：オフラインとオンライン
  • ストレージシステム：ストレージタスク<キー、値>フォーム、オフラインとオンラインがあります
  • システムコンピューティング：データマイニング、一般のHadoopでデータマイニングや特徴抽出計算のために、我々は、MPIアーキテクチャモデルのトレーニングを取るん。

検索広告の第二部

2.1検索連動型広告構造

• 広告を検索：検索エンジンインターネット広告のプッシュのプロセスを検索します。
• ：ユーザーがクエリを入力すると、システムは、広告を経由します広告、トラフィック分散に並べ替え、広告の検索広告をユーザーに提供するために3つのモジュールを。
• 広告インデックス：+原油の何千もの広告の数十のセットからユーザー自身の情報キーワードに基づいて現在のクエリは、適切な広告を選択します。広告インデックスと広告が一致したサブモジュールに分割することができます。
  • 広告インデックス：広告が内蔵され、\（\ <関連する広告カテゴリ：ユーザオークションワード、値キーを>）インデックスの形で。
  • マッチング広告：ユーザーのクエリを、関連する入札句には、抽出された広告は、インデックスを構築しました。
• ソート広告：計算の広告の質量分率は、検索とソート。
• トラフィックの割り当て：広告ランクスコアによると、現在の状況はどの広告がユーザーを決定します。

2.2広告検索

• ユーザーのキーワードによると、関連性の高い広告を選択し、実際の設定は、2つのステップを荒削りし、選択しました：
  • 情報検索、クエリを、広告に関連するキーワードのグループを選択：荒加工。
  • ハイライト：CTRソートの正確な見積もり。
• 広告分析、キーワード分析、相関マッチ：広告は3つのステップを取得しました。
  • 広告の分析：広告は、広告情報を得るために処理されています。
  • キーワード分析：広告、どのような広告かどうかを判断するために、ユーザの入力に基づきます。
  • 相関一致：キーワード分析、広告を取得するために索引データベース。

広告の2.2.1分析

• 二つの目的：
  • 広告は転置インデックスの形に編成されている\（\ <：：入札ワード-値広告IDリストキー>）
  • 広告から特徴を抽出します。
• 広告主は、広告が関連する入札フレーズを選択します作成し、一般的な単語はおそらく深刻な傾きを引き起こすことが、問題解決の方法は、単語とあいまい一致の入札を生成することを含みます。
  • 入札単語世代：広告主のランディングページを解析することにより、広告システム、ヘルプ広告主には、入札の言葉を選択します。
  • ファジーマッチング：ユーザーが入札、広告に関連した単語の彼らの選択の広告オークションのシステムに合わせて、パスシェア入札を選択します。

2.2.2分析

• 長い文字列：豊富なセマンティック情報が不十分な量、貯蔵圧力を大量に表示します。キーワードを抽出することは非常に重要です。
• 短い文字列：セマンティック情報は、ユーザーの個人情報やコンテキスト情報を明確によると、明確ではありません。
• 重要な指標：拡大リコール。

2.2.3相関一致

• 完全一致：strictキーワードの入札は、単語のみ、トリガーの広告が含まれています。
• ファジーマッチング

2.3広告ソート

• 広告の広告システムは、表示されるまで上位の広告を降順候補集合のeCPMに従って配置しました。
  • \（有効インプレッション単価=広告オークション価格*広告CTR×1000 \）
  • 入札価格を広告：広告主が提供し; CTR：広告システムが使用する機械学習を正確に推定します。
• CTRクリックモデルに基づく予測方法
  • CTRのようにモデル化[P（クリック）= P（クリック|見られる）P（み）\] \これにより、計算、\（P（クリック|見られる） \）
• 機械学習に基づくCTR推定アルゴリズム

2.3.1ロジスティック回帰モデル

• 関数形式\（Y = \ FRAC {1 } {（1 + E ^ { - W ^送信}）} \）
  • \（特徴の重みを学習W入力特徴ベクトルX、Yの予測対象、\）
  • 入力X、条件付き確率カテゴリ1は、入力x、カテゴリー0の条件付き確率。

• 最尤推定学習機能重量\（\ w）の

  
  • 対数尤度関数を最大化
  • 制約なし最適化問題を解決ロジスティック回帰は、負の対数尤度関数の目的関数が正確に凸状である、所属などを解くために使用勾配降下法であってもよい\（W \） 。
  • 負の対数尤度関数の勾配方向をみます
  • 反復式

• オーバーフィッティングを防ぐために、

  • L2正则\（NLL（W）+ \ラムダ^ Twの\ W）
  • L1正则\（NLL（ワット）+ \ラムダ\ | _1 \ | \ワット）

• ドリフト、オンライン学習：ロジスティック回帰、対数尤度関数は、サンプル添加剤を持っています。

  • 確率的勾配降下

2.3.2特性治療

• 将人的先验知识，表示成机器学习算法能够接受的方式。
• 常用特征
  • 广告和查询关键字的相似度：广告本身特征、查询本身特征、相似广告的特征、相似查询的特征。
  • 广告的树形结构信息：广告主-广告账户-广告计划-广告组-广告创意，同一个广告主的其他广告创意的CTR能帮助当前广告创意的CTR。

2.3.3 算法评估

• CTR预估模型效果是否好：全流量-小流量实验-离线指标验证

• 衡量预估CTR和真实CTR之间差异，使用AUC衡量CTR预估精度。AUC是ROC曲线下的面积。

  • ROC是二维平面上的曲线，横坐标是FPR，纵坐标是TPR。调节分类器参数，使得ROC曲线形成一条从(0,0)到(1,1)的曲线，AUC就是ROC曲线下面积之和。
  • 互联网广告系统计算AUC：AUC等价于正样本score大于负样本score的概率。若正负样本score值相同，则按0.5正样本score大于负样本score对计算。

• 假设正样本数M，负样本数N，计算AUC开销是M*N，通过排序减少AUC时间复杂度。

  • 将样本按照score大小从高到低排序，score第一大样本获得n=M+N的rank值；第二大样本获得rank值为n-1。对rank为r的正样本i，组成正样本score大于负样本score的样本对个数为 r-排在i后的正样本数。

  • 因此AUC可如下方式计算

    

2.4 广告主推荐工具

2.4.1 投放要素

• 广告主注册一个推广账户Account，包含多个推广计划Campaign，每个计划包含多个推广单元Group，设置Group主要需要竞价词Bidword和广告创意Creative。

  

• 一个Group完整投放需求和策略列表

  

• 搜索广告系统需要帮助广告主”充分表达自己投放需求”，给广告主提供投放基本元素。

  

  • 推荐重点在于竞价词Bidword。

2.4.2 竞价词推荐方式

• 竞价词的推荐方式

  • 主动推荐：不用广告主参加
  • 被动推荐：广告主主动创建一些搜索词

• 竞价词的匹配方式

  • 精确匹配：精确命中广告主所竞价的词
  • 模糊匹配：广告系统对竞价词进行一定程度的扩展

• 推荐工具实际上找到“一座桥梁“

  

  1. 广告主到中间节点边归一化权重，中间节点到候选词边故意话权重，文本相关性。
  2. 根据中间节点出度、入度信息，计算中间节点调整系数，结合第一步相关性，计算出：\(<广告主1，中间节点，候选词>\)的分数
  3. 根据\(<广告主1，中间节点，候选词>\)的数据，固定一个候选词，综合所有中间节点，计算所有\(广告主1，候选词1>\)分数，循环计算，获得\(<广告主1，候选词>\)打分列表。
  4. 根据分数排序，获取前N个词。

2.4. 3 其他工具

• 投放前后，广告主需要一些数据帮助决策或者反馈，如下

2.5 实践一：在线学习前沿

• 为了让模型特征量缩减，可以将逻辑回归目标函数修改成，模型将倾向于学习稀疏的\(w\)权重。

  \[NLL(w)+\lambda\|w\|_1\]

• 随机梯度下降法简单易行，但往往难以得到特征向量稀疏的结果，Google提出FTRL-Proximal方法可以得到稀疏性更好的训练结果，其更新公式为：

  

  

  

• 海量数据下，模型存储量过大给并发查询时效性带来很大挑战。
  • 降低模型特征维数，泊松选择法
  • 降低每一维特征存储量，float是4个字节，Google提出q2.13编码方式，用2个字节。

第三部分 定向广告

定向广告即非搜索广告

3.1 上下文定向

• 根据投放页面内容，推送相关广告。关键问题对页面内容的刻画：
  • 内容提供商自定义：广告平台预先人工定义一些网页的类型标签，内容提供商自己选择网页类型。
  • 页面关键字提取：爬虫抽取网页中内容，进行一定内容分析，从中抽取可以精确匹配上的竞价词，然后到广告库中检索广告。
  • 网页聚类：使用爬虫抽取网页内容，然后对网页库进行文本聚类。

3.2 受众定向

• 给当前用户流量打标签的过程
  • 显示标签应用：按照标签售卖流量
  • 隐式应用：不按照用户标签显示售卖流量
• 受众定向方法：
  • 用户背景资料调查、行为定向

3.2.1 监督行为定向

• 线性泊松回归模型，其中\(\lambda=w^tx\)，W为预估参数，x为特征向量，y为事件发生频次。
  • 给定数据集\(T={(x_i,y_i)}\)，有对数似然函数
  • 其对w的对每一项梯度值为
• 通过上面的线性泊松回归求出用户对该兴趣点的浏览频次的期望\(\lambda_{view}\)和点击频次的期望\(\lambda_{click}\)，用户i对类别k的CTR计算方法

3.2.2 非监督行为定向

• 将用户向量化表示
  • 基于item的向量表示法、基于query的向量表示法
  • 向量化后，行为定向问题建模成经典的聚类问题。

3.3 行为定向

• 按照用户的历史行为，进行广告推荐。用户的行为在不同类型的广告系统中有不同定义。

3.4 推荐系统

3.4.1 基于用户的协同过滤算法

• 想知道用户n对电影m的评分，需要参考与用户n相似的其他用户，用他们对m的评分来拟合n对m的评分\(r_{nm}\)。对于给定用户\(n\)，他打过分的电影集合是\(M_n\)，那么\(n\)的平均得分是\(r_n=\frac{1}{|M_n|}\sum_i^{\in}r_{ni}\)，用户n对电影m的评分可以通过如下公式计算，

  

  • \(U_n\)表示与n相似的用户集合，\(s_{uv}\)表示用户u和v之间的相似度，\(z_n\)是相似度平滑因子，\(z_n=\sum_i^{\in}|s_{uv}|\)。
  • 如何定义与n相似的用户集合，用什么方法衡量用户之间相似度，根据具体应用不断调试。

3.4.2 基于单品的协同过滤算法

• 用相似单品的得分来计算\(r_{nm}\)，计算方法如下

• \(s_{im}\)表示电影i同电影m的相似度，与基于用户的协同过滤算法相同，该相似度也需要根据具体应用不断调试。该算法需要用户有充足行为，当用户行为比较稀疏，难以给出准确预估结果。

3.4.3 奇异值分解SVD

• 希望将数据维度降低，实现某种程度上的聚合。
• 将数据聚集成K个隐藏类，原始矩阵R可被分解成两个矩阵乘积形式\(R_{nm}=W_{nk}V_{km}\)，\(w_{nk}\)表示用户n对k类型电影的兴趣度，\(v_{km}\)表示电影m属于k类型电影的隶属度。
• 线性代数中，任何一个实矩阵R可分解为\(R=U\sum P^T\)
  • \(\sum\)是K*K的对角线矩阵，\(K\)为矩阵R的秩，对角线上每个元素为\(RR^T\)矩阵特征值的平方根。
  • U是N*K的矩阵，每一列是矩阵\(RR^T\)的特征向量。
  • \(P^T\)为K*M的矩阵，P中每一列是矩阵\(A^TA\)的特征向量。
• 去除\(\sum\)中绝对值较小的特征值，并在U和P中除去其对于的特征向量使得，从而达到降维目的，使得R计算高效。
• 实际推荐系统，除了使用SVD方法求得W和V以外，另一种方法令\(\hat{R}=WV\)，最小化\(\hat{R}\)和R的差异，求解出最优W和V。损失函数是
  • 

3.5 定向排序

• 定向广告排序和搜索广告排序机制基本相同，cpc收费下，两者按照ecpm进行排序。计算ecpm最重要因素是对广告进行ctr预估。
• 搜索广告的ctr预估一般是单模态模型，而定向ctr预估可看作是多模态模型，如何融合不同定向方式也是多模态学习的难点。

3.6 实践一：定向广告算法架构

• 定向广告解决“这样一个人”应该配"什么样的广告"？

• 定向广告要素

  

• 第一步根据用户历史行为，选定一批用户的意图，并找到对应的广告。

  • 推荐系统（利用用户历史行为）
  • 利用用户属性方法（人口统计学）
  • 利用标签方法

• 第二步根据这些广告，进行排序。

  • 如果考虑点击率就是做\(<user,ad>\)点击率预估，获得打分。
  • 采用ecpm进行排序\(ecpm=ctr*bidprice\)

  

3.7 实践二：定向广告的平衡之道

• 关于用户疲劳
  • 针对频繁访问的用户
  • 针对访问次数稀疏，兴趣点转换很慢的用户
  • “一次性”的类型兴趣
  • “连续型”的类型兴趣
• 关于多样性
  • 给用户选择的余地
  • 首先保证召回率，然后根据候选集进行进一步选择，保证底线。
• 关于多目标
  • 除了CTR，还有ROI、CVR
  • 多指标线性融合\(rankscore=ctr*roi*bidprice\)
  • 对ROI好的创意筛选再利用\(rankscore=ctr*bidprice\)
• 关于E&E（搜寻和探索）
  • 如何给新加入的广告和冷广告展现的机会。

第四部分 实时广告竞价

• 实时广告竞价：建立一种流量交换的协议，使得媒体和广告联盟向全网范围的广告主提供尚未出售的流量，广告主和广告联盟实现合作共赢。

4.1 基本概念

• 技术核心
  • 将实时产生的展示广告流量及相关特征如客户信息、广告位信息推送给每个感兴趣的购买者，并且搜索出反馈协议。
  • 对推送流量的价值进行实时评价并给出具体CPM出价的方法。

• 三类角色

  • 广告交易市场AdExchange：实时广告竞价中流量进行实时交易的平台。
  • 需求方平台DSP：广告交易市场中的买方。
  • 供应方平台SSP：广告交易市场中的卖方。

  

4.2 广告交易市场

4.2.1 历史与现状

• Mike Walrath创办Right Media，与Double Click、AdECN三足鼎立，随后被Yahoo收购。
• 2007年广告交易市场元年
• 2009年，实时广告竞价
• 2011年9月，阿里巴巴TANX平台

4.2.2 实时广告竞价

• 线下部分：竞价交易各参与者之间实现用户ID相互转换和对应，即Cookie Mapping。

• 线上部分：处理广告请求到来时的竞价和投放过程。

  

4.2.3 Cookie Mapping

• 使用cookie累计用户再互联网上的行为数据。
• 实时竞价时，用户信息不能共享给第三方，于是只将用户标识再竞价请求中提供给流量需求方。Cookie Mapping是解决各互联网公司标识不一致的标准方案。

4.2.4 实践1 典型的广告交易市场架构

• 围绕核心的流量交换引擎，有三个重要子系统：
  • ビジネスシステム：需要側と供給側のアクセス市場に共通のインターフェースを提供します。
  • 金融システム：安全で、効率的な金融決済機能を提供するために、
  • データシステム：記録プロセス中に生成されたトランザクションデータ
  • トラフィック交換エンジン：リアルタイムコア広告オークションシステム。

第5、広告システムアーキテクチャの課題

5.1広告システムの特徴

1. 高性能

2. そして、大容量データ記憶装置

3. 缶の運用・保守

職務の5.2機能の分離

1. 広告システム
2. 広告エンジン
3. 広告の有効性試験システム
4. 抗不正行為及び決済を宣伝
5. アルゴリズムとデータプラットフォーム

5.3大規模な広告システムが使用する技術

1. 高性能エンジン広告
2. 分散コンピューティングフレームワーク：Hadoopのデータプラットフォームに基づきます
3. CDN
4. リレーショナルデータベース
5. J2EEやLAMPアプリケーション開発フレームワーク
6. ロードバランシング
7. のサービス
8. メッセージングミドルウェア

追伸

• データ管理プラットフォームDMP：データ管理プラットフォーム

  

• 4つの段階で、データのセキュリティを確保するDMP

• DMPは異なるため、アプリケーション側を使用して、データ解析の異なる結果を生成し、データ・マイニング・エンジンへの外部アクセスを可能にします