Ad-papers

Ad-papers项目介绍

项目概述

Ad-papers项目由王喆发起，是一个专注于计算广告领域的知识分享平台。该平台持续更新与计算广告相关的论文、学习资料和业界分享，旨在总结项目发起人在工作中的所得，同时也为业内人士提供便利的学习资源。

项目的内容与特色

项目中的所有资料均来自互联网，以方便从事计算广告行业的专业人员和爱好者获取所需的信息。王喆对此项目非常欢迎同行业者的参与和讨论，提供了多种联系方式以便沟通交流。

项目的分类与资源

Ad-papers项目将资源分为多个部分，每个部分都涵盖了该领域的核心知识和技术趋势。

计算广告论文

这些论文涵盖了从搜索排名到点击率预测的多种主题。例如，Airbnb研究了如何使用嵌入技术进行实时个性化搜索排名，而阿里巴巴提出了深度兴趣演化网络模型（DIEN）用于改进点击率预测。

其他相关资源

项目中还列出了RTB（实时竞价）的论文列表、CTR（点击率）预测的Spark MLlib模型等，以帮助用户快速查找相关资料。

技术与方法

优化方法

这里涉及在线优化、并行随机梯度下降等技术，提供了一些实用的和能够给出直观解释的论文资源。

话题模型

话题模型如PLSA和LDA常用于广告上下文特征提取和创意优化，相关的论文帮助学习如何应用这些模型。

因子分解机（Factorization Machines）

FM模型在计算广告领域的应用极其广泛，这部分提供了关于FM的相关论文，不仅有理论讲解，还有实际应用分析。

嵌入技术（Embedding）

该项目列举了多种嵌入方法的研究，包括词嵌入（Word2Vec）、项目嵌入（Item2Vec）和节点嵌入（Node2vec）等，展示了授权公司如何利用这些技术进行个性化推荐。

预算控制

项目中详细介绍了广告系统中的预算控制策略，如何与其他模块相结合，以及LinkedIn和其他平台的具体实现。

学习与应用

项目不仅关注技术本身的实现，也关注这些技术在业界中的实际应用。包括大数据基础架构的Google三篇经典论文、树模型的广泛应用、以及在新广告冷启动问题中迁移学习的解决方案等。

深度学习在CTR预测中的应用

对深度学习在CTR（点击率）预测领域的应用进行了多方面的探索，从阿里巴巴的DIN到Google的Wide & Deep学习，用户可以深入了解不同模型的特点与优势。

探索与利用

广告系统中探索与利用（Explore and Exploit）问题常常被忽视。而项目中列举的相关研究则帮助理解如何更好地发现新的流量，提高广告的整体效果。

总结

Ad-papers项目是计算广告界的重要资源，它不仅为行业人员提供丰富全面的学习资料，也通过系统化的分类和持续更新，帮助用户一站式掌握计算广告领域的最新知识和技术动态。如果你对计算广告感兴趣，欢迎通过项目中提供的联系方式与王喆进行交流探讨。