背景：stanford的计算广告学（computational advertising）课程，yahoo的人主讲，课程链接：http://www.stanford.edu/class/msande239/#lecture-handouts，这个ppt使其中的一讲，93页
主要内容：
1. Display ad targeting：
相比于搜索广告来讲，搜索体现了明显的意图，显示广告，用户只有浏览行为，而浏览行为体现出的用户行为比起搜索行为差了好多，所以是“High entropy” of user intent。相比而言，显示广告的CRT和搜索广告相比也差了几个数量级。
如何降低“high entropy"？利用搜索行为、利用用户交易行为（购买、放入购入车、添加关注等等）
展示广告定向可以分解为三个相关联的任务：
（1）User profile generation: describe the user
（2）Audience selection: find the best audience for a given ad
（3）Performance prediction: find the best ad for a given impression (we have discussed this before)
（2）Audience selection: find the best audience for a given ad
（3）Performance prediction: find the best ad for a given impression (we have discussed this before)
对上面三个任务，细分来说：
（1）User profile generation：可以利用的信息（用户注册信息，活动——点击、浏览等，用户的社会关系——邮件组、好友等）。总之，user data --> intents and interests
（2）Audience selection: 与（1）相关联，但是目标不同，可以由不同的公司来做
用户筛选与广告筛选是一个对偶问题。
2. 传统定向广告技术
传统的定向广告技术都是把人群进行分类，在此基础上将人群与广告类别建立起来联系，对特定人群投放特定的广告。
细分为如下几类技术：
（1）Demographic targeting ——人口统计学
（2）Geo targeting —— 地理位置信息
（3）Behavioral targeting —— 用户行为信息
（4）Retargeting —— 重定向广告
（2）Geo targeting —— 地理位置信息
（3）Behavioral targeting —— 用户行为信息
（4）Retargeting —— 重定向广告
细分来详细说：
（1）Demographic targeting：网站的注册信息，年龄、性别、收入、位置、兴趣等等
这些信息有的是用户直接注册的，有些是需要推断的，方法是根据用户的行为，训练分类器，进行特定类别的分类；除了分类器外，还可以利用 网页——用户 之间的二部图、辅以一些降维技术（SVD）。
（2）Geo targeting：
这部分信息比较难获得，即便获得也不见得准确。获取方式：用户注册、用户ip、gps、用户浏览器或者操作系统的语言设置。在手机上LBS更有需求。
（3）Behavioral targeting：
基于用户历史行为的定向广告，历史性为包括：浏览、搜索、购买、广告点击等等
（4）Retargeting：
ppt上说的不是太详细，我理解是Retargeting的过程是：用户近期浏览行为（或者其他行为），抽取关键词，存放在用户cookie当中，当用户浏览网页有广告投放需求的时候，通过cookie中的关键词来决定投放什么广告
以下的内容，每一节介绍一篇yahoo发表的论文
3. Social targeting: the power of the graph
是指基于社交网络的定向广告。
社交网络能够利用量方面信息：1. 用户注册信息；2. 用户关系链
“The social graph can be used to smooth the data available” —— 作者认为社交关系链的作用之一，是对用户当前缺失注册信息的一种平滑，可以根据他的朋友是什么样的人来推断他是什么样的人
graph分几种：1. mail graph（邮件之间的关系）；2. social graph
graph的用法：1. 分类（将graph特征加入到标准behavior targeting流程中）；2. ensemble（结合behavior model和graph model）；3. network propagation（随机游走的方式，推测网络中缺失的属性值）
实验表明：单独的用户行为特征在targeting中远好于单独的graph特征，不过两者结合的能取得最好的结果。
4. current trend in targeting
从基于用户群划分的模型逐渐转向基于模型的、更加精准的个性化推荐
5. User profile generation: interests and intents
——Working with high entropy of intent
讨论了人口属性中对定向广告的影响。
有一个观察：用户在买了某个大件商品之后，不再可能再买同样的东西了，此时投放广告是没用的
6. Generative language models for user profiles
讲的是CIKM2011上的一篇文章。
形式化“Audience selection task”任务：给定一群种子用户，寻找和当前用户群相似的用户，类似信息检索。
种子用户的用户行为用event来表示，event序列用语言模型来建模
7. Learning BT categories from click data
预测CRT的。用的回归。相关细节和公式可以参考原文。
8. Information-Theoretic User Profile Generation
9. 总结：直接copy&paste原文了
! -Targeting is a key step in differentiation of impressions and
extracting value!
! -Traditional targeting: demo, geo, BT
! ---How to get the data from the user?
! ---Infer the data from historical activity
extracting value!
! -Traditional targeting: demo, geo, BT
! ---How to get the data from the user?
! ---Infer the data from historical activity
! One of the key step in targeting is user profile generation
! ---Generative models to assign probability of a sequence of events
! ---Weighting based on time, event type and content
! ---Predict the counts of events in certain categories
! ---Clustering and other unsupervised techniques useful – more to come in the next lecture