这是一部从工程实践角度讲解互联网广告系统的业务价值、产品形态、架构设计、技术选型、落地方法论、实施路径和行业案例的著作，是作者在Google和腾讯从事广告系统架构设计与工程实现的10余年经验总结。
通过本书，你将掌握以下内容：
（1）互联网广告的生态和产品形态
首先介绍了谷歌、Meta、亚马逊、微软等主要在线广告平台；然后介绍了主要在线广告网络和程序化购买生态；蕞后介绍了在线广告产品形态，包括在线广告的投递方式和计费方式。主要目的是帮助读者建立对互联网广告生态的宏观认知。
（2）广告投放系统的架构与设计
结合Facebook Marketing、Google Ads、Twitter Ads等广告平台讲解了广告投放系统，主要内容包括广告的层级结构、三个广告平台API的特点及用法演示，以及API的基本设计原则和设计方法论。读者可以从本章中学到现代广告系统投放子系统的设计思想。
（3）广告系统的设计方法论
互联网广告系统的规模往往比较大，详细介绍了以分布式系统为代表的大规模网络系统的架构设计方法论，为读者设计广告系统打下基础。
（4）广告系统的工程架构
详细讲解了广告播放系统的架构设计、广告系统的数据架构设计、广告系统中的A/B测试等。
（5）广告策略系统的架构设计
首先介绍了广告竞价原理和广告策略系统设计；然后讲解了广告系统预估子系统，包括预估模型数据处理、常用的模型评价方法与指标、常用的模型训练方法，以及新广告点击率预估和转化率预估。
本书系统阐述了互联网广告系统设计的方方面面，对广告系统、推荐系统、大数据系统的建设具有很高的参考价值。

（1）作者背景资深：作者在Google和腾讯从事广告工作10余年，曾担任腾讯广告技术总监和腾讯广告引擎总架构师。

（2）作者经验丰富：作者主导了腾讯广告引擎的设计和开发，检索系统、海量数据分析系统、深度学习系统、社交广告系统等，这些系统支撑了腾讯广告10年的快速发展。

（3）架构师的视角：以架构师视角对超大规模广告系统进行回顾与思考，剖析了现代广告系统的构成，包括：投放、播放、检索、A/B测试、数据、策略、预测算法等。

（4）强调工程实践：以工程实践为导向，详细讲解了广告系统的投放系统、播放系统、策略系统、数据系统等各个子系统的架构与设计。

为何要写本书
转眼之间，我从事广告系统的研发工作已经有10个年头。作为国内批从事广告系统研发的人员，我见证了国内广告系统的发展历程，也从一名程序员成长为架构师。我以架构师的视角对超大规模广告系统进行了回顾与思考，有所得之余，深深感到沉甸甸的责任，必须把这神奇的魔法、完美的商业模式成文付梓，藏之名山，传之其人。
每家跨国互联网公司都会有一个广告系统，为公司源源不断地贡献利润。互联网的发展史与互联网广告的发展史也基本吻合，互联网广告可以说是利用现代信息技术打造的完美商业模式。

序
前　言
第1章　互联网广告生态1
　1.1　互联网广告生态的参与者1
1.1.1　主要在线广告平台2
1.1.2　主要在线广告网络8
1.1.3　程序化购买生态12
　1.2　在线广告产品形态15
1.2.1　在线广告的投递方式15
1.2.2　在线广告的计费方式18
　1.3　本章小结19
第2章　广告投放系统20
　2.1　广告层级结构20
2.1.1　Facebook Marketing广告层级结构20
2.1.2　Google Ads广告层级结构22
2.1.3　Twitter Ads广告层级结构25
　2.2　API的基本设计原则26
2.2.1　API的价值性27
2.2.2　API的规划性28
2.2.3　API的灵活性30
2.2.4　API的可管理性32
2.2.5　API的可支持性34
　2.3　广告平台API36
2.3.1　Google Ads API37
2.3.2　Facebook Marketing API40
2.3.3　Twitter Ads API50
　2.4　本章小结57
第3章　大规模网络系统架构
设计58
　3.1　大规模网络系统历史背景58
　3.2　分布式集群管理系统59
3.2.1　Docker简介61
3.2.2　微服务技术简介63
3.2.3　Kubernetes简介64
　3.3　分布式文件系统66
3.3.1　GFS66
3.3.2　HDFS68
　3.4　分布式存储69
3.4.1　分布式存储介绍69
3.4.2　HBase介绍70
　3.5　分布式共识服务72
3.5.1　分布式共识算法介绍72
3.5.2　ZooKeeper使用场景73
　3.6　负载均衡76
3.6.1　前端请求的负载均衡76
3.6.2　数据中心内部的负载
均衡77
　3.7　监控与告警系统77
　3.8　网络服务接口规范78
3.8.1　RESTful介绍79
3.8.2　GraphQL介绍79
3.8.3　RPC介绍81
　3.9　本章小结84
第4章　广告播放系统架构设计85
　4.1　广告播放系统架构85
　4.2　数据ETL模块86
4.2.1　数据提取87
4.2.2　数据转换91
4.2.3　数据加载92
　4.3　检索模块95
4.3.1　文本检索技术96
4.3.2　布尔检索103
4.3.3　近邻搜索119
　4.4　本章小结129
第5章　广告系统数据架构设计130
　5.1　广告系统数据架构130
　5.2　广告系统数据类型131
5.2.1　广告元数据131
5.2.2　广告日志数据133
5.2.3　用户画像数据134
5.2.4　广告上下文数据147
5.2.5　广告主私有数据与
再营销148
　5.3　数据管理平台150
5.3.1　数据管理平台简介150
5.3.2　相似受众扩展153
　5.4　特征工程平台157
5.4.1　特征生产157
5.4.2　特征补录与训练样本
数据流159
5.4.3　特征存储161
5.4.4　特征处理算法162
5.4.5　建设统一特征工程平台的
必要性165
　5.5　本章小结165
第6章　A/B测试与互联网广告166
　6.1　A/B测试介绍166
　6.2　收集实验数据167
6.2.1　流量管理168
6.2.2　流量分层169
　6.3　实验数据分析176
6.3.1　大数定律与中心极限定理176
6.3.2　A/B测试中的样本量
估计179
6.3.3　辛普森悖论181
6.3.4　Mantel-Haenszel指标182
6.3.5　分桶与Jackknife重
采样186
　6.4　实验信息管理191
　6.5　A/B测试的广告应用场景194
　6.6　本章小结194
第7章　广告系统策略195
　7.1　广告竞价195
7.1.1　博弈论基础197
7.1.2　纳什均衡200
7.1.3　纳什均衡存在性证明202
7.1.4　机制设计理论211
7.1.5　广义第二价格竞价231
7.1.6　VCG竞价237
　7.2　广告策略系统设计242
7.2.1　广告系统粗排设计243
7.2.2　广告预算控制系统245
7.2.3　广告调价算法247
　7.3　本章小结250
第8章　预估算法251
　8.1　训练数据准备与模型离线
评估252
8.1.1　训练数据准备252
8.1.2　模型离线评估254
　8.2　常用的预估模型261
8.2.1　逻辑回归模型与机器学习
基础262
8.2.2　支持自动特征发现的模型
方法288
8.2.3　深度学习模型294
　8.3　新广告点击率预估314
8.3.1　汤普森采样算法315
8.3.2　蒙特卡洛采样318
8.3.3　马尔可夫链蒙特卡洛
采样325
8.3.4　吉布斯采样330
8.3.5　拉普拉斯近似331
　8.4　广告转化率预估334
　8.5　本章小结336