广告行业相关了解

网站上的各种各样的广告,产商的软文和活动。

 五大广告媒体：报纸、杂志、广播广告、电视、网络广告。互联网广告和移动互联网广告。

 户外广告牌媒体，电视广告，报纸广告，杂志媒体，网络广告，广播电台媒体，车体广告，手机短信广告，电子邮件广告等
媒体广告- http://baike.baidu.com/item/%E5%AA%92%E4%BD%93%E5%B9%BF%E5%91%8A?fr=aladdin
 网络广告（第五广告）与传统的四大传播媒体（报纸、杂志、电视、广播）广告曾经备受垂青的户外广告相比，网络广告具有得天独厚的优势，是实施现代营销媒体战略的重要一部分。
 网络广告发源于美国。1994年10月14日，美国著名的Wired杂志推出了网络版Hotwired，其主页上开始有AT&T等14个客户的广告Banner。这是互联网广告里程碑式的一个标志。 中国的第一个商业性的网络广告出现在1997年3月，传播网站是Chinabyte，广告表现形式为468×60像素的动画旗帜广告。Intel和IBM是国内最早在互联网上投放广告的广告主。我国网络广告一直到1999年初才稍有规模。国内比较著名的广告推荐系统如百度推广，（2009年，凤巢系统关键词排名因素） 

计算广告与推荐系统有哪些区别？- https://www.zhihu.com/question/19662693
广告行业与精准广告：广告系统+个性化推荐+用户自画像+用户兴趣爱好（广告主预算，广告主 广告平台 受众用户）
 推荐系统和计算广告是不同维度上的概念。推荐系统是一种技术，广告是一项业务。个性化推荐可以用在广告中，更可以用在别的产品层面。同时，个性化推荐只是计算广告的一个环节，一个完整的广告系统还需要其他很多重要的技术组件。

 计算广告和推荐系统的最本质区别是目标和评价标准不同推荐系统的目标是面向用户提供新鲜、相关、有趣的话题/产品，增 强用户粘性， 增加产品的流量和活跃度而计算广告学的核心目标是在广告主、媒体、用户利益之间寻找平衡， 匹配出的结果相关性只是一方面，另外还要考虑直接的商业利益。

> 广告投放与数据挖掘
广告投放业务对数据的需求主要是流量细分及描述反馈，因此微博商业数据挖掘体系也是以流量细分，即通常说的以用户画像为核心来建设。周边辅助的数据挖掘模块主要包括：
  内容挖掘：微博用户的一切属性都由他们的行为及其客体来描述，而这些用户行为（包括转发、评论、关注、赞、点击短链/视频）和客体（微博、广告主、大号）构成了微博产品的绝大部分，因此内容挖掘一直都是商业数据挖掘的重点工作。
  关系挖掘：包括所有用户跟客体对象之间联系方式的挖掘。关系挖掘的难点主要是发现在每一个业务场景下，不同关系的产生对于广告效果的意义及影响。
  App数据挖掘：微博作为开放平台接入了相当数量的第三方App，用户使用这些App的行为记录能帮助我们获取他们作为自然人的信息，用于判断用户在实际生活中的某些状态。另外，用户的App喜好能够直接帮助App类广告进行投放。
  LBS数据挖掘：微博的签到数据能帮助判断用户的某些状态，同时也能满足部分客户在投放上的某些需求，比如O2O类的客户会更加关心附近的本地用户。
在长期业务实践中，我们最终将用户画像体系分为如下3个部分：

基础数据：描述用户的一些基本信息，包括年龄、性别、常驻城市、手机型号、活跃度等。大部分信息可以直接获取或简单   统计获取，有时需要对数据的准确性加以算法修正；
  兴趣数据：主要描述“用户对什么感兴趣”；
  情景数据：主要描述“用户是什么人”。
  广告与搜索
搜索，大促场景下智能化演进之路- http://geek.csdn.net/news/detail/192815
  阿里搜索技术体系目前基本形成了offline、nearline、online三层体系，分工协作，保证电商平台既能适应日常平稳流量下稳定有效的个性化搜索及推荐，也能够满足电商平台对促销活动的技术支持，实现在短时高并发流量下的平台收益最大化。运用机器学习技术来提升搜索/推荐平台的流量投放效率是目前各大互联网公司的主流技术路线，并仍然随着计算力和数据的规模增长，持续地优化和深入。
  从2013年起，淘宝搜索就进入千人千面的个性化时代，搜索框背后的查询逻辑，已经从基于原始Query演变为“Query+用户上下文+地域+时间”，搜索不仅仅是一个简单的根据输入而返回内容的不聪明的“机器”，而是一个能够自动理解、甚至提前猜测用户意图，并能将这种意图准确地体现在返回结果中的聪明系统，这个系统在面对不同的用户输入相同的查询词时，能够根据用户的差异，展现用户最希望看到的结果。变化是时刻发生的，商品在变化，用户个体在变化，群体、环境在变化。在搜索的个性化体系中合理地捕捉变化，正是实时个性化要去解决的课题。
推荐系统的策略主要分为召回和排序两类，召回负责生成推荐的候选集，排序负责将多个召回策略的结果进行个性化排序。

> 广告的建模？
 建模能力，对业务有深刻的理解，面对需求，在最短的时间内列出目标函数，并提出可行的优化方案。

广告的算法？反作弊算法，人群分类算法，CTR预估算法，相关性推荐算法，广告推荐算法
广告算法所需要搞懂的基础知识- http://blog.csdn.net/u011437229/article/details/53188148
计算广告学-合约广告系统-在线分配问题- http://quweiprotoss.blog.163.com/blog/static/40882883201311593259977/
主流推荐算法评述(关联规则挖掘技术)- http://www.csdn.net/article/a/2011-07-11/301462
(空间关联挖掘技术 时间关联挖掘技术，数据挖掘)

 算法结合业务增强变现能力。DSP（Demand Side Platform）是需求方平台，DMP（Data Management Platform）是数据管理平台。

广告效果模型是用以研究广告对于商品市场营销效果的模型。
广告推荐系统—CTR&LR模型评价- http://blog.csdn.net/xietingcandice/article/details/45289755
基于Java EE的广告业务管理系统的设计与实现- http://www.doc88.com/p-0817434666547.html

Java实现DFA算法对敏感词、广告词过滤功能- http://blog.csdn.net/fengshizty/article/details/52373005

 广告过滤算法实现及优化- http://blog.csdn.net/fantasy_116/article/details/47057787
广告其本上可以分成两大类，一是有明确的资源下载链接的广告，AdBlock称之为blocking的；二是内嵌在页面内容中的文字类广告，AdBlock称之为Elem hide。针对这样的每一个广告，AdBlock都会有与之相对应的规则（filter），只要被filter所匹配的，都会被拦截或者被隐藏。

国内第一梯队的广告平台是：admob、多盟、有米、友盟、腾讯的mobwin；

乙方广告平台 甲方广告主 广告受众， 第三方网络广告监测系统；统计平台可以使用中立的第三方统计系统，如秒针系统的产品MobileMonitor.

计算广告：检索与投放算法总结- http://blog.csdn.net/zhouyongsdzh/article/details/8982980
移动广告业务，Pacing是Facebook广告系统中调节花费预算节奏的一个算法。
作为整个广告算法的基础框架，Hadoop、Spark、Storm等大数据计算平台，为广告技术算法的不断创新奠定了坚实的基础，进而满足了广告投放的实时需求。

> 广告算法工程师的核心竞争力？
业务理解，观察数据，寻找特征，反复试验，及那些寻找特征的经验和教训。有经验的算法工程师／科学家可以一眼看出数据是否合理、应该使用什么数据进行建模、应该使用怎样的指标来刻画性能，这些实际上可以极大地减少走弯路的成本，也就是核心竞争力所在。
 业务经验，如果有公司要搞广告算法，你去带这块业务，薪水和位置都好说。变现更容易。
 相反，纯算法的，不带业务，也就只能去大公司做做专家，收入虽然也还行，但是职业瓶颈也很明显。
 算法和业务，能兼顾就尽量兼顾，两手硬才走得长远。
务虚一点说核心竞争力就是把数据有效、长期、规模化变现的能力；务实一点说就是理解业务内容、驾驭业务方向的眼界，以及亲手把算法、模型在现实广告系统中实现的经验（包括各种踩过的坑）。
  算法／模型的具体实施：给定问题和数据，应该使用怎样的算法／模型，也是一个需要积累的事情，当然现在越来越多唾手可得的平台和工具一定程度上减少了尝试不同算法／模型的成本。而他们在系统中的具体实施牵涉到的问题不是简单看看博客技术文章就可以了，尤其是需要照顾系统的响应时间、可扩展性、灾难恢复等方方面面的考虑时。这方面的实战经验也是广告算法工程师的核心竞争力。数据驱动、约定指标：广告业务区别于一些其它业务的特点是他是非常“钱”敏感的，广告主有预算、有广告投放的需求和期望，平台和发布方有营收和利润的诉求，更为复杂的是经常有可能矛盾的多指标优化诉求，更别提各种广告主、发布方、平台、代理等各式各样奇葩的需求。虽然这些有时候不是算法工程师可以控制的，但尽早约定核心指标、培养和安利数据驱动的做事方式是一个合格的算法工程师工作的一部分。这看似非技术的方面，却是减少产品和产品特性的反复、避免争议争论、主导产品走向的重要内容，也是有经验的广告算法工程师的核心竞争力。
  核心竞争力就是变现能力，技术提升可以直接转化成变现能力。
  做计算广告的话，业务的熟悉比算法本身更值钱。

广告行业程序员技术点：
具备linux/unix环境开发经验，熟练掌握C/C++/java/pytyon
数据挖掘；有大规模用户用户数据或互联网内容数据处理，发现关键特征；

搜索引擎、广告投放、反作弊相关技术；从海量数据中发现有价值的规律；优化推荐系统的基础算法和策略；在线广告投放系统的核心技术创新与优化；

在线广告的相关度、用户体验、投放效果及变现能力；推荐算法设计和实现/推荐系统评估方法研究；广告平台算法策略；提升推荐产品和广告精准投放效果；

参与广告ctr预估、广告竞价策略研发等；数据结构及算法；推荐系统或广告系统；

在线广告投放策略研发，包括CTR预估，拍卖机制，广告匹配技术等广告点击率预估;

广告大数据挖掘及并行机器学习算法研究与优化;广告检索竞价排序算法的研究与优化;广告相关性与质量度算法的研究和优化;

广告/上下文特征的挖掘，广告文本和图片语义分析算法的研究与优化。

有自然语言处理、机器学习知识背景，最优化算法，有实践经验更佳;有深度学习、搜索引擎、推荐系统相关技术经验者优先;

大规模数据存储与运算平台,有海量数据处理和并行计算开发经验者优先，如 Hadoop、Storm、Spark、HBase等;

》广告的（反）垃圾，（反）作弊，（反）屏蔽

网页上屏蔽广告：360的广告终结者