最新章節

• 封底
• 作者內容
• 10.6 本章小結
• 10.5 AIGC：帶來的新挑戰
• 10.4 系統：在線、近線、離線互補，可持續的架構
• 10.3 算法：經驗驅動和數據驅動相結合

• 封底 更新時間：2024-12-18 17:12:48
• 作者內容
• 10.6 本章小結
• 10.5 AIGC：帶來的新挑戰
• 10.4 系統：在線、近線、離線互補，可持續的架構
• 10.3 算法：經驗驅動和數據驅動相結合
• 10.2 數據：合規埋點和科學歸因
• 10.1 業務：理解業務，服務于業務
• 第10章 廣告與營銷風控未來思考
• 9.4 本章小結
• 9.3.4 直播間風控
• 9.3.3 視頻相似檢索
• 9.3.2 關鍵幀提取
• 9.3.1 視頻抽幀
• 9.3 短視頻和直播風控
• 9.2.4 OCR技術
• 9.2.3 圖像檢索
• 9.2.2 圖像檢測
• 9.2.1 圖像分類
• 9.2 圖像風控
• 9.1.3 相似文本檢索
• 9.1.2 文本分類
• 9.1.1 關鍵詞過濾
• 9.1 文本風控
• 第9章 內容風控技術
• 8.4 本章小結
• 8.3 CEP技術
• 8.2.2 深度學習類算法
• 8.2.1 統計類算法
• 8.2 基于時序的異常檢測算法
• 8.1.2 時序特征工程
• 8.1.1 什么是時序特征
• 8.1 風控中的時序特征
• 第8章 基于時序的異常檢測
• 7.4 本章小結
• 7.3.3 風控應用場景
• 7.3.2 圖嵌入方法
• 7.3.1 為什么需要圖嵌入
• 7.3 圖嵌入
• 7.2.4 Fraudar
• 7.2.3 Louvain
• 7.2.2 連通分量
• 7.2.1 標簽傳播
• 7.2 作弊社區發現
• 7.1.3 作弊圖的構建分析
• 7.1.2 圖的分類
• 7.1.1 圖的基本概念
• 7.1 什么是圖
• 第7章 基于圖的異常檢測
• 6.5 本章小結
• 6.4.2 DBSCAN
• 6.4.1 K-Means
• 6.4 近鄰聚類
• 6.3.3 相似風險檢索業務應用
• 6.3.2 風險向量檢索算法
• 6.3.1 風險向量表示方法
• 6.3 ANN
• 6.2.2 K近鄰距離度量
• 6.2.1 K近鄰分類
• 6.2 KNN
• 6.1.2 刷單騙補應用案例
• 6.1.1 算法原理
• 6.1 LOF
• 第6章 基于近鄰的異常檢測
• 5.6 本章小結
• 5.5.3 Stacking
• 5.5.2 Boosting
• 5.5.1 Bagging
• 5.5 集成決策方法
• 5.4.2 ECOD
• 5.4.1 COPOD
• 5.4 多維隨機變量異常檢測
• 5.3.4 中心極限定理
• 5.3.3 切爾諾夫界
• 5.3.2 切比雪夫不等式
• 5.3.1 馬爾可夫不等式
• 5.3 極值分析和尾概率約束
• 5.2.3 K-S檢驗
• 5.2.2 G檢驗
• 5.2.1 卡方檢驗
• 5.2 擬合優度
• 5.1.4 連續概率分布
• 5.1.3 離散概率分布
• 5.1.2 獨立同分布
• 5.1.1 拋硬幣問題
• 5.1 異常檢測中的概率知識
• 第5章 基于概率統計的異常檢測
• 4.5 本章小結
• 4.4 基于模型的異常檢測
• 4.3.2 基于窗口聚合的規則
• 4.3.1 基于名單的規則
• 4.3 基于規則的異常檢測
• 4.2.6 異常檢測的可控制性
• 4.2.5 異常檢測的可解釋性
• 4.2.4 異常檢測的魯棒性
• 4.2.3 異常的對抗性
• 4.2.2 異常的多樣性
• 4.2.1 異常的稀疏性
• 4.2 異常檢測面臨的問題和挑戰
• 4.1.3 無監督異常檢測
• 4.1.2 半監督異常檢測
• 4.1.1 有監督異常檢測
• 4.1 什么是異常檢測
• 第4章 異常檢測技術概述
• 3.5 本章小結
• 3.4.2 風控MLOps流水線
• 3.4.1 什么是風控MLOps
• 3.4 風控MLOps
• 3.3.3 離線風控
• 3.3.2 近線風控
• 3.3.1 在線風控
• 3.3 風控立體防御體系
• 3.2.3 事后階段
• 3.2.2 事中階段
• 3.2.1 事前階段
• 3.2 風控業務生命周期
• 3.1.2 內容風控
• 3.1.1 流量反作弊
• 3.1 廣告與營銷風控范疇
• 第3章 廣告與營銷領域的立體風控思路
• 2.4 本章小結
• 2.3.3 黑灰產下游
• 2.3.2 黑灰產中游
• 2.3.1 黑灰產上游
• 2.3 黑灰產作弊上下游鏈路
• 2.2.4 平臺視角的利益和風險
• 2.2.3 用戶視角的利益和風險
• 2.2.2 渠道視角的利益和風險
• 2.2.1 商家視角的利益和風險
• 2.2 廣告與營銷的利益鏈
• 2.1.3 場：流量為王
• 2.1.2 貨：精準獲客
• 2.1.1 人：用戶需求
• 2.1 營銷的人、貨、場
• 第2章 廣告與營銷黑灰產業鏈
• 1.4 本章小結
• 1.3.3 監管合規形勢
• 1.3.2 新媒體創新形勢
• 1.3.1 營收發展形勢
• 1.3 互聯網廣告營銷形勢
• 1.2.5 計費方式和作弊風險
• 1.2.4 歸因分析模型
• 1.2.3 廣告營銷參與方
• 1.2.2 主流廣告形式
• 1.2.1 互聯網廣告發展史
• 1.2 互聯網廣告營銷基礎知識
• 1.1.5 流量質量和無效流量
• 1.1.4 自然流量和廣告流量
• 1.1.3 流量商業化變現模式
• 1.1.2 流量的價值
• 1.1.1 營銷、廣告、流量的定義
• 1.1 營銷、廣告與流量
• 第1章 互聯網廣告與營銷
• 前言
• 內容簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 內容簡介
• 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：精準獲客
• 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 廣告與營銷風控范疇
• 3.1.1 流量反作弊
• 3.1.2 內容風控
• 3.2 風控業務生命周期
• 3.2.1 事前階段
• 3.2.2 事中階段
• 3.2.3 事后階段
• 3.3 風控立體防御體系
• 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 什么是風控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 什么是異常檢測
• 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 基于規則的異常檢測
• 4.3.1 基于名單的規則
• 4.3.2 基于窗口聚合的規則
• 4.4 基于模型的異常檢測
• 4.5 本章小結
• 第5章 基于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 獨立同分布
• 5.1.3 離散概率分布
• 5.1.4 連續概率分布
• 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 基于近鄰的異常檢測
• 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 基于圖的異常檢測
• 7.1 什么是圖
• 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 為什么需要圖嵌入
• 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 基于時序的異常檢測
• 8.1 風控中的時序特征
• 8.1.1 什么是時序特征
• 8.1.2 時序特征工程
• 8.2 基于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，服務于業務
• 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
• 作者內容
• 封底 更新時間：2024-12-18 17:12:48