廣告與營銷風控：方法與實踐 王東旭

前　言
第1章　互聯(lián)網(wǎng)廣告與營銷1
　1.1　營銷、廣告與流量1
1.1.1　營銷、廣告、流量的定義2
1.1.2　流量的價值3
1.1.3　流量商業(yè)化變現(xiàn)模式3
1.1.4　自然流量和廣告流量6
1.1.5　流量質(zhì)量和無效流量7
　1.2　互聯(lián)網(wǎng)廣告營銷基礎(chǔ)知識9
1.2.1　互聯(lián)網(wǎng)廣告發(fā)展史10
1.2.2　主流廣告形式11
1.2.3　廣告營銷參與方14
1.2.4　歸因分析模型17
1.2.5　計費方式和作弊風險20
　1.3　互聯(lián)網(wǎng)廣告營銷形勢23
1.3.1　營收發(fā)展形勢24
1.3.2　新媒體創(chuàng)新形勢25
1.3.3　監(jiān)管合規(guī)形勢26
　1.4　本章小結(jié)27
第2章　廣告與營銷黑灰產(chǎn)業(yè)鏈28
　2.1　營銷的人、貨、場28
2.1.1　人：用戶需求29
2.1.2　貨：精準獲客30
2.1.3　場：流量為王30
　2.2　廣告與營銷的利益鏈31
2.2.1　商家視角的利益和風險32
2.2.2　渠道視角的利益和風險43
2.2.3　用戶視角的利益和風險48
2.2.4　平臺視角的利益和風險51
　2.3　黑灰產(chǎn)作弊上下游鏈路55
2.3.1　黑灰產(chǎn)上游55
2.3.2　黑灰產(chǎn)中游63
2.3.3　黑灰產(chǎn)下游65
　2.4　本章小結(jié)66
第3章　廣告與營銷領(lǐng)域的立體風控思路67
　3.1　廣告與營銷風控范疇67
3.1.1　流量反作弊67
3.1.2　內(nèi)容風控68
　3.2　風控業(yè)務(wù)生命周期70
3.2.1　事前階段71
3.2.2　事中階段73
3.2.3　事后階段75
　3.3　風控立體防御體系77
3.3.1　在線風控78
3.3.2　近線風控81
3.3.3　離線風控83
　3.4　風控MLOps84
3.4.1　什么是風控MLOps85
3.4.2　風控MLOps流水線85
　3.5　本章小結(jié)88
第4章　異常檢測技術(shù)概述90
　4.1　什么是異常檢測90
4.1.1　有監(jiān)督異常檢測91
4.1.2　半監(jiān)督異常檢測91
4.1.3　無監(jiān)督異常檢測92
　4.2　異常檢測面臨的問題和挑戰(zhàn)92
4.2.1　異常的稀疏性92
4.2.2　異常的多樣性93
4.2.3　異常的對抗性95
4.2.4　異常檢測的魯棒性96
4.2.5　異常檢測的可解釋性97
4.2.6　異常檢測的可控制性99
　4.3　基于規(guī)則的異常檢測99
4.3.1　基于名單的規(guī)則99
4.3.2　基于窗口聚合的規(guī)則100
　4.4　基于模型的異常檢測101
　4.5　本章小結(jié)102
第5章　基于概率統(tǒng)計的異常檢測103
　5.1　異常檢測中的概率知識103
5.1.1　拋硬幣問題103
5.1.2　獨立同分布104
5.1.3　離散概率分布104
5.1.4　連續(xù)概率分布109
　5.2　擬合優(yōu)度114
5.2.1　卡方檢驗114
5.2.2　G檢驗116
5.2.3　K-S檢驗118
　5.3　極值分析和尾概率約束119
5.3.1　馬爾可夫不等式119
5.3.2　切比雪夫不等式121
5.3.3　切爾諾夫界123
5.3.4　中心極限定理124
　5.4　多維隨機變量異常檢測125
5.4.1　COPOD126
5.4.2　ECOD134
　5.5　集成決策方法135
5.5.1　Bagging135
5.5.2　Boosting136
5.5.3　Stacking137
　5.6　本章小結(jié)138
第6章　基于近鄰的異常檢測139
　6.1　LOF139
6.1.1　算法原理139
6.1.2　刷單騙補應(yīng)用案例142
　6.2　KNN144
6.2.1　K近鄰分類144
6.2.2　K近鄰距離度量145
　6.3　ANN151
6.3.1　風險向量表示方法153
6.3.2　風險向量檢索算法163
6.3.3　相似風險檢索業(yè)務(wù)應(yīng)用168
　6.4　近鄰聚類169
6.4.1　K-Means169
6.4.2　DBSCAN172
　6.5　本章小結(jié)174
第7章　基于圖的異常檢測175
　7.1　什么是圖175
7.1.1　圖的基本概念176
7.1.2　圖的分類177
7.1.3　作弊圖的構(gòu)建分析178
　7.2　作弊社區(qū)發(fā)現(xiàn)181
7.2.1　標簽傳播181
7.2.2　連通分量182
7.2.3　Louvain187
7.2.4　Fraudar190
　7.3　圖嵌入193
7.3.1　為什么需要圖嵌入193
7.3.2　圖嵌入方法194
7.3.3　風控應(yīng)用場景202
　7.4　本章小結(jié)207
第8章　基于時序的異常檢測208
　8.1　風控中的時序特征208
8.1.1　什么是時序特征208
8.1.2　時序特征工程210
　8.2　基于時序的異常檢測算法214
8.2.1　統(tǒng)計類算法215
8.2.2　深度學習類算法222
　8.3　CEP技術(shù)226
　8.4　本章小結(jié)228
第9章　內(nèi)容風控技術(shù)229
　9.1　文本風控230
9.1.1　關(guān)鍵詞過濾230
9.1.2　文本分類237
9.1.3　相似文本檢索242
　9.2　圖像風控246
9.2.1　圖像分類247
9.2.2　圖像檢測251
9.2.3　圖像檢索253
9.2.4　OCR技術(shù)253
　9.3　短視頻和直播風控257
9.3.1　視頻抽幀257
9.3.2　關(guān)鍵幀提取260
9.3.3　視頻相似檢索263
9.3.4　直播間風控264
　9.4　本章小結(jié)268
第10章　廣告與營銷風控未來思考269
　10.1　業(yè)務(wù)：理解業(yè)務(wù),服務(wù)于業(yè)務(wù)269
　10.2　數(shù)據(jù)：合規(guī)埋點和科學歸因271
　10.3　算法：經(jīng)驗驅(qū)動和數(shù)據(jù)驅(qū)動相結(jié)合274
　10.4　系統(tǒng)：在線、近線、離線互補,可持續(xù)的架構(gòu)277
　10.5　AIGC：帶來的新挑戰(zhàn)279
　10.6　本章小結(jié)281