攜程人工智能實踐

攜程技術團隊

買這商品的人也買了...

相關主題

商品描述

本書的作者來自攜程多個研發部門,從具體的應用場景人手,主要包括旅行產品的個性化推薦和搜索,旅行場景的0CR、機器翻譯和知識圖譜,主題圖片優選、推薦理由抽取,以及安全風險控制和如何工程化提升研發效率等,較為全面地介紹瞭如何對具體的業務問題進行建模,將其轉變為具體的機器學習模型,並將業務目標轉化為機器學習的目標函數。 本書在此基礎上提供了一些有效的經驗,使得讀者能夠最大化利用機器學習的方式全面有效地幫助企業提升業務目標、提升人效比,乃至為網站的安全保駕護航。 作者希望本書能夠幫助產品技術同人更好地理解機器學習模型的落地,給讀者帶來啟發和借鑒。

作者簡介

攜程技術團隊,作為攜程集團的核心競爭力,攜程技術團隊由近7000位來自海內外的精英工程師組成,為攜程集團業務的運作和開拓提供全面技術支持,並以技術創新源源不斷地為產品和服務創造價值。 技術從來都不是閉門造車,攜程技術團隊會一直以開放和充滿熱情的心態,通過各種渠道和方式,和圈內小伙伴們探討、交流、碰撞,共同收穫和成長。

目錄大綱

第1章數學基礎
1.1 引言
1.2 線性代數
1.2.1 概述
1.2.2 向量與矩陣
1.2.3 矩陣的運算
1.2.4 幾種特殊的矩陣
1.2.5 線性方程組與矩陣的逆
1.2.6 特徵值和特徵向量
1.2.7 張量的定義和運算
1.3 概率基礎
1.3.1 頻率與概率
1.3.2 熵
1.3.3 常見的概率分佈
1.4 優化理論
1.4.1 優化理論簡介
1.4.2 無約束的優化問題
1.4.3 無約束的優化方法
1.4.4 風險函數的優化方法
1.4.5 帶約束的優化方法
1.5 本章小結
參考文獻
第2章模型構建
2.1 引言
2.2 建模流程
2.2.1 目標定義
2.2.2 損失函數
2.2.3 求解優化
2.2.4 結果評估
2.2.5 模型選擇
2.3 常見模型
2.3.1 模型的分類方法
2.3.2 回歸模型
2.3.3 邏輯回歸模型
2.4 集成學習
2.4.1 集成學習概述
2.4.2 Bagging
2.4.3 Boosting
2.5 本章小結
參考文獻
第3章個性化推薦與搜索
3.1 個性化推薦概述
3.2 跨領域推薦改善用戶冷啟動問題
3.2.1 背景描述
3.2.2 基礎定義
3.2.3 建模思路
3.2.4 模型結構
3.2.5 實驗結果
3.3 Bandit算法在攜程場景中的應用實踐
3.3.1 Context-free Bandit算法
3.3.2 Contextual Bandit算法
3.3.3 場景應用
3.4 旅遊度假產品的搜索個性化排序
3.4.1 度假搜索排序框架
3.4.2 度假搜索排序算法
3.4.3 模型演進及其他
3.4.4 小結
3.5 深度學習在酒店房型推薦中的應用實踐
3.5.1 酒店房型推薦業務的背景
3.5.2 業務問題轉化為算法問題
3.5.3 算法流程
3.5.4 小結
3.6 強化學習在酒店排序中的應用實踐
3.6.1 業務背景
3.6.2 傳統排序學習的局限性
3.6.3 強化學習的基本思路
3.6.4 算法流程
3.6.5 小結
3.7 瀑布流排序算法實踐
3.7.1 場景簡介
3.7.2 優化目標
3.7.3 特徵工程
3.7.4 模型
3.7.5 位置偏差
3.7.6 評價指標
3.7.7 場景實踐
3.8 本章小結
參考文獻
第4章AI服務化
4.1 AI服務化的背景與難點
4.2 旅遊領域知識圖譜
4.2.1 旅遊領域知識圖譜的特點
4.2.2 旅遊領域知識圖譜的構建
4.2.3 旅遊領域知識圖譜的應用
4.3 QA問答中的文本匹配與排序
4.3.1 基於深度學習的語義匹配模型
4.3.2 基於交互的語義匹配模型
4.3.3 遷移學習在語義匹配網絡中的應用
4.3.4 對語義匹配模型的一些思考
4.4 攜程國際化中的機器翻譯
4.4.1 模型架構
4.4.2 建模技巧
4.4.3 翻譯質量評估
4.5 證件全文本識別
4.5.1 文本識別簡介與發展歷程
4.5.2 文本識別步驟
4.5.3 文本檢測
4.5.4 文本識別
4.5.5 文本識別在證件識別中的應用實踐
4.6 本章小結
參考文獻
第5章AI助力產品運營
5.1 旅遊場景中的主題圖片自動優選
5.1.1 業務場景
5.1.2 圖像識別
5.1.3 圖像去重
5.1.4 圖像優美度識別
5.1.5 小結
5.2 知識推理在攜程業務中的應用
5.2.1 標籤系統的業務背景和業務痛點
5.2.2 標籤規則配置平台的設計與實現
5.2.3 小結
5.3 基於專名的內容產品化
5.3.1 內容產品化的業務背景
5.3.2 命名實體識別
5.3.3 實體鏈接
5.3.4 小結
5.4 主題推薦理由抽取
5.4.1 主題推薦理由抽取的業務背景
5.4.2 智能內容抽取
5.4.3 自動內容生成
5.4.4 小結
5.5 本章小結
參考文獻
第6章AI運營
6.1 問題的背景與難點
6.2 機器學習在海外酒店房態預測中的運用
6.2.1 業務背景
6.2.2 海外酒店房態預測的難點
6.2.3 海外酒店房態預測難點的解決方案
6.2.4 海外酒店房態預測的應用場景
6.3 IM+用戶模擬評分
6.3.1 業務背景
6.3.2 基於深度學習的模擬評分
6.3.3 技術方案流程
6.4 海外郵件自動化
6.4.1 業務背景
6.4.2 自然語言處理在郵件自動化中的應用
6.5 實時智能異常檢測平台的算法及工程實現
6.5.1 應用場景
6.5.2 大而全的監控衍生出的問題
6.5.3 統計模型的困擾
6.5.4 算法選擇和設計目標
6.5.5 算法的描述和檢驗
6.5.6 實時性工程
6.6 本章小結
參考文獻
第7章信息安全
7.1 問題的背景與難點
7.2 機器學習在Web攻擊檢測中的實踐
7.2.1 攜程Web-IDS攻擊檢測系統架構介紹
7.2.2 定義目標問題
7.2.3 收集數據和實現特徵工程
7.2.4 模型效果評估
7.2.5 線上應用和持續優化
7.3 機器學習在滑塊驗證碼防禦