Group items tagged

DSP英文全称是Demand-Side Platform，中文名是“需求方平台”，其实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。

DSP的核心是整合多方流量，通过精准定向技术，帮助广告主高效完成营销需求。

广告交易市场在向DSP发送竞价请求的时候，会附有媒体、设备型号、地理位置(IP或经纬度)等基础信息，这是DSP为广告主挑选流量的信息基础。DSP可以根据这些信息来决定投放什么样的广告。

伴随着程序化购买、虚拟现实、移动定位、大数据等数字传播技术的发展，广告传媒服务本身正经历着根本性的转变。

一方面，消费者信息接收速度明显加快，其对广告传媒服务的标准和要求显著提升，但对广告的接收时长却正在迅速缩短。消费者对广告认知态度的转变，客观上推动广告传媒服务正式进入了快速消费时代。在全新的广告运作体系之下，传统广告层层递进的消费流程的方法论被彻底颠覆，广告企业与受众的沟通越来越直接，联系也越来越紧密。

下面是一些比较重要的算法，原文罗列了32个，但我觉得有很多是数论里的，和计算机的不相干，所以没有选取。下面的这些，有的我们经常在用，有的基本不用。有的很常见，有的很偏。不过了解一下也是好事。也欢迎你留下你觉得有意义的算法。（注：本篇文章并非翻译，其中的算法描述大部份摘自Wikipedia，因为维基百科描述的很专业了）

A*搜寻算法俗称A星算法。这是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法。常用于游戏中的NPC的移动计算，或线上游戏的BOT的移动计算上。该算法像Dijkstra算法一样，可以找到一条最短路径；也像BFS一样，进行启发式的搜索。 Beam Search束搜索(beam search)方法是解决优化问题的一种启发式方法，它是在分枝定界方法基础上发展起来的，它使用启发式方法估计k个最好的路径，仅从这k个路径出发向下搜索，即每一层只有满意的结点会被保留，其它的结点则被永久抛弃，从而比分枝定界法能大大节省运行时间。束搜索于20 世纪70年代中期首先被应用于人工智能领域,1976 年Lowerre在其称为HARPY的语音识别系统中第一次使用了束搜索方法，他的目标是并行地搜索几个潜在的最优决策路径以减少回溯，并快速地获得一个解。 二分取中查找算法一种在有序数组中查找某一特定元素的搜索算法。搜素过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜素过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。这种搜索算法每一次比较都使搜索范围缩小一半。 Branch and bound分支定界(branch and bound)算法是一种在问题的解空间树上搜索问题的解的方法。但与回溯算法不同，分支定界算法采用广度优先或最小耗费优先的方法搜索解空间树，并且，在分支定界算法中，每一个活结点只有一次机会成为扩展结点。 数据压缩数据压缩是通过减少计算机中所存储数据或者通信传播中数据的冗余度，达到增大数据密度，最终使数据的存储空间减少的技术。数据压缩在文件存储和分布式系统领域有着十分广泛的应用。数据压缩也代表着尺寸媒介容量的增大和网络带宽的扩展。 Diffie–Hellman密钥协商Diffie–Hellman key exchange，简称“D–H”，是一种安全协议。它可以让双方在完全没有对方任何预先信息的条件下通过不安全信道建立起一个密钥。这个密钥可以在后续的通讯中作为对称密钥来加密通讯内容。 Dijkstra’s 算法迪科斯彻算法（Dijkstra）是由荷兰计算机科学家艾兹格·迪科斯彻（Edsger Wybe Dijkstra）发明的。算法解决的是有向图中单个源点到其他顶点的最短路径问题。举例来说，如果图中的顶点表示城市，而边上的权重表示著城市间开车行经的距离，迪科斯彻算法可以用来找到两个城市之间的最短路径。 动态规划动态规划是一种在数学和计算机科学中使用的，用于求解包含重叠子问题的最优化问题的方法。其基本思想是，将原问题分解为相似的子问题，在求解的过程中通过子问题的解求出原问题的解。动态规划的思想是多种算法的基础，被广泛应用于计算机科学和工程领域。比较著名的应用实例有：求解最短路径问题，背包问题，项目管理，网络流优化等。这里也有一篇文章说得比较详细。 欧几里得算法在数学中，辗转相除法，又称欧几里得算法，是求最大公约数的算法。辗转相除法首次出现于欧几里得的《几何原本》（第VII卷，命题i和ii）中，而在中国则可以追溯至东汉出现的《九章算术》。 最大期望（EM）算法在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。最大期望经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化（M），最大化在 E 步上求得的最大似然值来计算参数的值。M 步上找到的参数估计值被用于下一个 E 步计算中，这个过程不断交替进行。

快速傅里叶变换(FFT)快速傅里叶变换（Fast Fourier Transform，FFT），是离散傅里叶变换的快速算法，也可用于计算离散傅里叶变换的逆变换。快速傅里叶变换有广泛的应用，如数字信号处理、计算大整数乘法、求解偏微分方程等等。本条目只描述各种快速算法，对于离散傅里叶变换的性质和应用，请参见离散傅里叶变换。 哈希函数HashFunction是一种从任何一种数据中创建小的数字“指纹”的方法。该函数将数据打乱混合，重新创建一个叫做散列值的指纹。散列值通常用来代表一个短的随机字母和数字组成的字符串。好的散列函数在输入域中很少出现散列冲突。在散列表和数据处理中，不抑制冲突来区别数据，会使得数据库记录更难找到。 堆排序Heapsort是指利用堆积树（堆）这种数据结构所设计的一种排序算法。堆积树是一个近似完全二叉树的结构，并同时满足堆积属性：即子结点的键值或索引总是小于（或者大于）它的父结点。 归并排序Merge sort是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。 RANSAC 算法RANSAC 是”RANdom SAmpleConsensus”的缩写。该算法是用于从一组观测数据中估计数学模型参数的迭代方法，由Fischler and Bolles在1981提出，它是一种非确定性算法，因为它只能以一定的概率得到合理的结果，随着迭代次数的增加，这种概率是增加的。该算法的基本假设是观测数据集中存在”inliers”（那些对模型参数估计起到支持作用的点）和”outliers”（不符合模型的点），并且这组观测数据受到噪声影响。RANSAC 假设给定一组”inliers”数据就能够得到最优的符合这组点的模型。 RSA加密演算法这是一个公钥加密算法，也是世界上第一个适合用来做签名的算法。今天的RSA已经专利失效，其被广泛地用于电子商务加密，大家都相信，只要密钥足够长，这个算法就会是安全的 并查集Union-find并查集是一种树型的数据结构，用于处理一些不相交集合（Disjoint Sets）的合并及查询问题。常常在使用中以森林来表示。 Viterbi algorithm寻找最可能的隐藏状态序列(Finding most probable sequence of hidden states) 　　附录 关于这个世界上的算法，你可以看看Wikipedia的这个网页：http://en.wikipedia.org/wiki/List_of_algorithms 关于排序算法，你可以看看本站的这几篇文章《一个显示排序过程的Python脚本》、《一个排序算法比较的网站》

地图 -- 根据一定的数学法则，将空间的自然现象和社会现象通过概括和符号缩绘在平面上的图形（via wikipedia）。融入网络，我想的地图该是现实的虚拟模型，并整合了所有信息，智能满足你的需求。或者说，它是一个直观的搜索引擎。先通过地图的基本应用  -- “问路” 来描绘。路的要素：起点、路线、终点。起点由你的位置决定，路线由方式决定（汽车、飞机等），终点由目的决定（游玩、吃饭、购物等）。但在网络时代，你不需要一一确定，地图只靠你的“大概意愿”就能让你“定位”。就像这样：   若你的意愿明确，可以通过表单来告诉地图。你的要求越多，得到的答案便越少（准确）。   比如： 地图把意愿的实现方式直观的展现给你。同样的，使你“先知”。 鼠标移动到某个结点时，会根据你的意愿告之更多细节或者未来可能的需求。 这些结点，便是地图引擎的“关键字”： 除了两点之间的路，我们还可以通过地图快速获得某一点的信息。 比如它可以是地图微博： 既然能微博，当然能交友：找伴（旅游、看电影），发活动，签到... 还可以有更好玩的应用：随机位置，瞬间移动，3D观光，环游世界，圈人，轨迹，散步...现实有的，没有的都可以~

媒体将多点触摸通过这一点，我的意思是说，我们将有部分媒体的文字，视频，音频，游戏，互动等几个类型。 它几乎永远不会成为一个独立的产品种类了。 杂志将不只是在打印。 一切都将融合视觉与之间的文本，然后再返回。 我觉得这已经像理查德布兰森的工程杂志，或有线的东西表演，也有即将到来，每天越来越多的例子。 通过“多点触摸，”我的意思，我们将有多个接触点，从中消耗这一点。媒体将是移动background-image: initial; background-attachment: initial; background-origin: initial; background-clip: initial; background-color: transparent; border-top-width: 0px; border-right-width: 0px; border-bottom-width: 0px; border-left-width: 0px; border-style: initial; border-color: initial; font-size: 100%; margin-top: 0px; margin-right: 0px; margin-bottom: 0px; margin-left: 0px; outline-width: 0px; outline-style: initial; outline-color: initial; padding-top: 0px; padding-right: 0px; padding-bottom: 0px; padding-left: 0px; vertical-align: baseline; display: inline; background-position: in

“技术型营销人”有时会被泛泛地解释为“在营销领域使用各种科技的人”。然而，在这个时代，所有营销人员都要或多或少的在营销活动中使用现代科技（尤其是信息技术），如何区分技术型营销人就变得很重要了——他们在技术领域到底走得比普通的营销人远多少呢？

据此，我们可以清楚地分辨普通的营销人和技术型营销人：

他们应当了解这八个领域中的专业化知识，并且精通其中至少两或三个领域。 数据收集与分析——数字化营销驱动力的管理、测量和处理 营销应用——营销软件的配置、操作和整合 广告网络——整个数字化广告系统的管理和优化 社交&移动平台——Facebook, Twitter, LinkedIn等等，以及这些网站使用的工具和应用程序界面 内容营销——管理内容营销过程的整个生命周期，尤其是搜索引擎优化方面。 网络机制——对于网络和浏览器平台的完整详尽而又清晰的理解 软件设计——如何陈述、阅读、编写技术领域的通用语言 IT运营——利用云计算和IT强大的联络关系网

移动互联网时代，你需要一批初始粉丝盘去帮你传播，我们通过微信群沉淀了100多个父母，后来我们还在微博上发起了一个全国百万儿童家庭免费空气检测的爱心检测活动，发放了50套测试工具，应征的家长们拿到后到处去测，这些用户沉淀下来的都是我们的基本粉丝盘，后来他们都来买了我们的产品。

我们机器是有app，我每天都要打开app7-8次，这是一个表达感情的行为，除甲醛是所有家长关心的痛点

产品做出来了，用户找到了，如何和他们去沟通?和人沟通，不是谈技术，而是要带着感情。

从PC到移动，新闻阅读已经走到‘玩儿出个性’的时代

通过智能混合推荐模式，搜狐将彻底解决机器推送的新闻质量不高的问题；而只需‘下拉一下’即可玩转新闻的方式，可以解放用户双手、适应移动新闻阅读需求。

个性化新闻需要解决新闻质量和容量等方面的问题。