廣告與營銷風控（簡體書）

本書共10章。第1章和第2章從互聯網廣告與營銷業務出發，介紹了營銷、廣告、流量相關的基礎知識，從流量背後的利益動機引申出無效流量，以及營銷漏斗中各個環節的常見作弊手段和黑灰產業鏈。第3章和第4章從相對宏觀的視角概述了行業風控的範疇、立體的風控思路，並由淺入深地闡述異常檢測領域的難點和挑戰，以及常見的異常檢測方法。第5～9章通過理論和實踐相結合的方式，在前4章的基礎上，更加結構化地介紹了基於概率統計的異常檢測方法、基於近鄰的異常檢測方法、基於圖和時序的異常檢測方法、內容風控技術等。第10章是筆者對行業未來發展的一些思考，包括業務、數據、算法、系統和AIGC等行業的動向。

王東旭
畢業于北京郵電大學，師從國內著名安全組織“幻影旅團”成員luoluo，在2013年通過為多家廠商挖掘、提報安全漏洞成為WooYun社區白帽子。先後在百度垂直搜索部、第四范式先知機器學習平臺任職，目前擔任阿裡巴巴高級技術專家，負責淘寶電商廣告流量反作弊和內容風控業務的算法工程方向工作，深耕互聯網廣告與營銷行業一線，對流量反作弊和內容風控背後的利益鏈條和攻防博弈有豐富的實踐經驗，帶領團隊完成了風控引擎的全面升級，打造了百億流量規模在線、近線、離線互補的互聯網電商風控系統。

前言
第1章 互聯網廣告與營銷
1.1 營銷、廣告與流量
1.1.1 營銷、廣告、流量的定義
1.1.2 流量的價值
1.1.3 流量商業化變現模式
1.1.4 自然流量和廣告流量
1.1.5 流量質量和無效流量
1.2 互聯網廣告營銷基礎知識
1.2.1 互聯網廣告發展史
1.2.2 主流廣告形式
1.2.3 廣告營銷參與方
1.2.4 歸因分析模型
1.2.5 計費方式和作弊風險
1.3 互聯網廣告營銷形勢
1.3.1 營收發展形勢
1.3.2 新媒體創新形勢
1.3.3 監管合規形勢
1.4 本章小結
第2章 廣告與營銷黑灰產業鏈
2.1 營銷的人、貨、場
2.1.1 人：用戶需求
2.1.2 貨：精准獲客
2.1.3 場：流量為王
2.2 廣告與營銷的利益鏈
2.2.1 商家視角的利益和風險
2.2.2 渠道視角的利益和風險
2.2.3 用戶視角的利益和風險
2.2.4 平臺視角的利益和風險
2.3 黑灰產作弊上下游鏈路
2.3.1 黑灰產上游
2.3.2 黑灰產中游
2.3.3 黑灰產下游
2.4 本章小結
第3章 廣告與營銷領域的立體風控思路
3.1 廣告與營銷風控範疇
3.1.1 流量反作弊
3.1.2 內容風控
3.2 風控業務生命週期
3.2.1 事前階段
3.2.2 事中階段
3.2.3 事後階段
3.3 風控立體防禦體系
3.3.1 在線風控
3.3.2 近線風控
3.3.3 離線風控
3.4 風控MLOps
3.4.1 什麼是風控MLOps
3.4.2 風控MLOps流水線
3.5 本章小結
第4章 異常檢測技術概述
4.1 什麼是異常檢測
4.1.1 有監督異常檢測
4.1.2 半監督異常檢測
4.1.3 無監督異常檢測
4.2 異常檢測面臨的問題和挑戰
4.2.1 異常的稀疏性
4.2.2 異常的多樣性
4.2.3 異常的對抗性
4.2.4 異常檢測的魯棒性
4.2.5 異常檢測的可解釋性
4.2.6 異常檢測的可控制性
4.3 基於規則的異常檢測
4.3.1 基於名單的規則
4.3.2 基於窗口聚合的規則
4.4 基於模型的異常檢測
4.5 本章小結
第5章 基於概率統計的異常檢測
5.1 異常檢測中的概率知識
5.1.1 拋硬幣問題
5.1.2 獨立同分佈
5.1.3 離散概率分佈
5.1.4 連續概率分佈
5.2 擬合優度
5.2.1 卡方檢驗
5.2.2 G檢驗
5.2.3 K-S檢驗
5.3 極值分析和尾概率約束
5.3.1 馬爾可夫不等式
5.3.2 切比雪夫不等式
5.3.3 切爾諾夫界
5.3.4 中心極限定理
5.4 多維隨機變量異常檢測
5.4.1 COPOD
5.4.2 ECOD
5.5 集成決策方法
5.5.1 Bagging
5.5.2 Boosting
5.5.3 Stacking
5.6 本章小結
第6章 基於近鄰的異常檢測
6.1 LOF
6.1.1 算法原理
6.1.2 刷單騙補應用案例
6.2 KNN
6.2.1 K近鄰分類
6.2.2 K近鄰距離度量
6.3 ANN
6.3.1 風險向量表示方法
6.3.2 風險向量檢索算法
6.3.3 相似風險檢索業務應用
6.4 近鄰聚類
6.4.1 K-Means
6.4.2 DBSCAN
6.5 本章小結
第7章 基於圖的異常檢測
7.1 什麼是圖
7.1.1 圖的基本概念
7.1.2 圖的分類
7.1.3 作弊圖的構建分析
7.2 作弊社區發現
7.2.1 標簽傳播
7.2.2 連通分量
7.2.3 Louvain
7.2.4 Fraudar
7.3 圖嵌入
7.3.1 為什麼需要圖嵌入
7.3.2 圖嵌入方法
7.3.3 風控應用場景
7.4 本章小結
第8章 基於時序的異常檢測
8.1 風控中的時序特徵
8.1.1 什麼是時序特徵
8.1.2 時序特徵工程
8.2 基於時序的異常檢測算法
8.2.1 統計類算法
8.2.2 深度學習類算法
8.3 CEP技術
8.4 本章小結
第9章 內容風控技術
9.1 文本風控
9.1.1 關鍵詞過濾
9.1.2 文本分類
9.1.3 相似文本檢索
9.2 圖像風控
9.2.1 圖像分類
9.2.2 圖像檢測
9.2.3 圖像檢索
9.2.4 OCR技術
9.3 短視頻和直播風控
9.3.1 視頻抽幀
9.3.2 關鍵幀提取
9.3.3 視頻相似檢索
9.3.4 直播間風控
9.4 本章小結
第10章 廣告與營銷風控未來思考
10.1 業務：理解業務，服務於業務
10.2 數據：合規埋點和科學歸因
10.3 算法：經驗驅動和數據驅動相結合
10.4 系統：在線、近線、離線互補可持續的架構
10.5 AIGC：帶來的新挑戰
10.6 本章小結