RTB（RealTime Bidding）实时竞价，是一种利用第三方技术在数以百万计的网站上针对每一个用户展示行为进行评估以及出价的竞价技术。与大量购买投放频次不同，实时竞价规避了无效的受众到达，针对有意义的用户进行购买。它的核心是DSP平台（需求方平台），RTB对于媒体来说，可以带来更多的广告销量、实现销售过程自动化及减低各项费用的支出。而对于广告商和代理公司来说，最直接的好处就是提高了效果与投资回报率。
  由于实验室承接了DSP的算法优化项目，在此简单地对RTB及其涉及到的常用算法做一个介绍。

RTB架构

  实时竞价(RTB)不同于传统广告的投放方式，传统的竞价搜索广告和上下文广告需要广告主事先为某关键字的广告设置一个竞标价格,而 RTB 是对每次有广告曝光机会的请求提交竞标价格,它要求时间非常短,常常小于 100ms。RTB 是专注于受众定向,而不是上下文定向。它基于用户数据来进行广告位购买,广告投放给特定的人群。
more >>

　　SDNE是基于深度学习处理网络嵌入问题的方法之一，另一比较重要的基于深度学习的方法是同样发表于2016年的DNGR。与DNGR相比，SDNE在利用神经网络挖掘高阶相似性的同时，利用易于捕捉的一阶相似性作为已知的监督信息。
　　论文的主要创新点在于将可用于降维的自编码机应用于network embedding，利用多层非线性函数捕捉网络的高度非线性结构，并利用first-order作为监督信息，并保留网络的局部结构，second-order作为无监督学习部分，保留网络的全局结构，从而整体构成一个半监督的深度学习模型。

问题概述

network embedding 的主要难点

• 网络结构高度非线性，使得简单线性模型无法应用到此类问题
• 需同时保留局部结构和全局结构，不能顾此失彼
• 数据稀疏，点与点间的连接稀少,提供的信息有限 more >>

矩阵分解早期开创性的经典文章：矩阵分解技术在推荐系统中的应用
Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30–37.
要解决的问题依旧是从已知的数据——用户对一些项目(item)的反馈来预测未知——用户对其它项目的反馈。

推荐系统策略

• 内容过滤(content filtering)
  对用户和项目都创建出能描述其特性的属性量，以便程序将用户和项目进行匹配。在音乐推荐上的应用较成功。
• 协同过滤(collaborative filtering)
  基于用户过去的行为，如对之前项目的明确反馈，来分析用户之间的关联、项目之间的关联，以推断出新的用户-项目关联。
• 两者相比较而言，如果对内容过滤来说用户和项目的属性模糊且难以描述，则协同过滤是更优的选择。协同过滤往往更准确，但由于它对用户、项目的数据量要求，所以更受限于冷启动问题。

  协同过滤实现方法

• 近邻法(neighborhood methods)
  基于用户与用户间的联系和项目与项目间的联系，认为喜欢项目I1的用户U1也会喜欢同样喜欢I1的其它用户喜欢的项目。

  more >>

这篇文章针对以视频网站为代表的内容提供商，提出了一种算法，用CDN边缘节点的缓存内容来一定程度上修正根据用户喜好生成的用户推荐，以期提高CDN的缓存命中率来降低延迟，提高用户体验。

CDN背景知识补充

　　https://baijia.baidu.com/s?old_id=126615 图解CDN
　　http://www.cnblogs.com/tinywan/p/6067131.html CDN学习笔记

• 瓶颈
  　　第一公里——网站接入互联网的带宽
  　　运营商互联互通问题
  　　区域互联互通，骨干网带宽瓶颈
  　　最后一公里，用户带宽 more >>