携程人工智能实践
①全新正版，现货速发，7天无理由退换货②天津、成都、无锡、广东等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。
￥ 54.6 5.0折 ￥ 109 全新
仅1件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者携程技术团队|责编:张慧敏
出版社电子工业
ISBN9787121384400
出版时间2020-04
装帧其他
开本其他
定价109元
货号30855865
上书时间2024-10-14
- 在售商品 暂无
- 平均发货时间 17小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
导语摘要
《携程人工智能实践》详细介绍了携程在人工智能技术落地方面的深入探索，重点分享了如何从实际应用场景入手，把业务和产品的目标转化为人工智能模型和算法问题。并综合考虑系统、环境和数据的多种约束，设计和实施具体落地方案，同时对人工智能服务化和人工智能运营的理念和技术进行了很好的分析和总结，是携程技术团队多年开发和应用人工智能实践经验的结晶。本书对互联网行业和人工智能应用研究机构的科研技术人员来说，是一本很好的案头参考书。
目录
目 录
第1 章 数学基础 001
1.1 引言 001
1.2 线性代数 001
1.2.1 概述 001
1.2.2 向量与矩阵 002
1.2.3 矩阵的运算 003
1.2.4 几种特殊的矩阵 005
1.2.5 线性方程组与矩阵的逆 007
1.2.6 特征值和特征向量 010
1.2.7 张量的定义和运算 011
1.3 概率基础 013
1.3.1 频率与概率 013
1.3.2 熵 016
1.3.3 常见的概率分布 017
1.4 优化理论 020
1.4.1 优化理论简介 020
1.4.2 无约束的优化问题 022
1.4.3 无约束的优化方法 024
1.4.4 风险函数的优化方法 026
1.4.5 带约束的优化方法 028
1.5 本章小结 031
参考文献 031
第2 章 模型构建 032
2.1 引言 032
2.2 建模流程 032
2.2.1 目标定义 032
2.2.2 损失函数 035
2.2.3 求解优化 037
2.2.4 结果评估 037
2.2.5 模型选择 040
2.3 常见模型 042
2.3.1 模型的分类方法 042
2.3.2 回归模型 043
2.3.3 逻辑回归模型 047
2.4 集成学习 049
2.4.1 集成学习概述 049
2.4.2 Bagging 051
2.4.3 Boosting 052
2.5 本章小结 055
参考文献 057
第3 章 个性化推荐与搜索 058
3.1 个性化推荐概述 058
3.2 跨领域推荐改善用户冷启动问题 059
3.2.1 背景描述 059
3.2.2 基础定义 060
3.2.3 建模思路 061
3.2.4 模型结构 062
3.2.5 实验结果 065
3.3 Bandit 算法在携程场景中的应用实践 066
3.3.1 Context-free Bandit 算法 067
3.3.2 Contextual Bandit 算法 069
3.3.3 场景应用 070
3.4 旅游度假产品的搜索个性化排序 078
3.4.1 度假搜索排序框架 079
3.4.2 度假搜索排序算法 080
3.4.3 模型演进及其他 085
3.4.4 小结 086
3.5 深度学习在酒店房型推荐中的应用实践 087
3.5.1 酒店房型推荐业务的背景 087
3.5.2 业务问题转化为算法问题 087
3.5.3 算法流程 088
3.5.4 小结 089
3.6 强化学习在酒店排序中的应用实践 089
3.6.1 业务背景 089
3.6.2 传统排序学习的局限性 090
3.6.3 强化学习的基本思路 091
3.6.4 算法流程 091
3.6.5 小结 093
3.7 瀑布流排序算法实践 094
3.7.1 场景简介 094
3.7.2 优化目标 094
3.7.3 特征工程 095
3.7.4 模型 097
3.7.5 位置偏差 098
3.7.6 评价指标 099
3.7.7 场景实践 101
3.8 本章小结 101
第4 章 AI 服务化 102
4.1 AI 服务化的背景与难点 102
4.2 旅游领域知识图谱 102
4.2.1 旅游领域知识图谱的特点 103
4.2.2 旅游领域知识图谱的构建 104
4.2.3 旅游领域知识图谱的应用 112
4.3 QA 问答中的文本匹配与排序 117
4.3.1 基于深度学习的语义匹配模型 118
4.3.2 基于交互的语义匹配模型 122
4.3.3 迁移学习在语义匹配网络中的应用 125
4.3.4 对语义匹配模型的一些思考 127
4.4 携程国际化中的机器翻译 130
4.4.1 模型架构 130
4.4.2 建模技巧 135
4.4.3 翻译质量评估 138
4.5 证件全文本识别 141
4.5.1 文本识别简介与发展历程 141
4.5.2 文本识别步骤 142
4.5.3 文本检测 142
4.5.4 文本识别 145
4.5.5 文本识别在证件识别中的应用实践 145
4.6 本章小结 147
参考文献 147
第5 章 AI 助力产品运营 150
5.1 旅游场景中的主题图片自动优选 151
5.1.1 业务场景 151
5.1.2 图像识别 151
5.1.3 图像去重 154
5.1.4 图像优美度识别 155
5.1.5 小结 158
5.2 知识推理在携程业务中的应用 158
5.2.1 标签系统的业务背景和业务痛点 159
5.2.2 标签规则配置平台的设计与实现 160
5.2.3 小结 164
5.3 基于专名的内容产品化 165
5.3.1 内容产品化的业务背景 165
5.3.2 命名实体识别 165
5.3.3 实体链接 168
5.3.4 小结 174
5.4 主题推荐理由抽取 174
5.4.1 主题推荐理由抽取的业务背景 174
5.4.2 智能内容抽取 175
5.4.3 自动内容生成 186
5.4.4 小结 193
5.5 本章小结 194
参考文献 194
第6 章 AI 运营 199
6.1 问题的背景与难点 199
6.2 机器学习在海外酒店房态预测中的运用 201
6.2.1 业务背景 201
6.2.2 海外酒店房态预测的难点 201
6.2.3 海外酒店房态预测难点的解决方案 202
6.2.4 海外酒店房态预测的应用场景 208
6.3 IM+ 用户模拟评分 209
6.3.1 业务背景 209
6.3.2 基于深度学习的模拟评分 210
6.3.3 技术方案流程 214
6.4 海外邮件自动化 215
6.4.1 业务背景 215
6.4.2 自然语言处理在邮件自动化中的应用 216
6.5 实时智能异常检测平台的算法及工程实现 221
6.5.1 应用场景 221
6.5.2 大而全的监控衍生出的问题 222
6.5.3 统计模型的困扰 222
6.5.4 算法选择和设计目标 223
6.5.5 算法的描述和检验 225
6.5.6 实时性工程 231
6.6 本章小结 233
第7 章 信息安全 234
7.1 问题的背景与难点 235
7.2 机器学习在Web 攻击检测中的实践 235
7.2.1 携程Web-IDS 攻击检测系统架构介绍 235
7.2.2 定义目标问题 238
7.2.3 收集数据和实现特征工程 238
7.2.4 模型效果评估 240
7.2.5 线上应用和持续优化 241
7.3 机器学习在滑块验证码防御中的实践 242
7.3.1 滑块验证码人机识别 243
7.3.2 滑块验证码轨迹相似度识别 247
7.4 本章小结 253
参考文献 253
第8 章 风险控制 254
8.1 自动化迭代反欺诈模型体系 254
8.1.1 风控变量体系 256
8.1.2 自动化迭代模型框架 256
8.1.3 RNN 表征学习 259
8.1.4 自动化与传统方法的效果对比 261
8.2 “程信分”模型体系 263
8.2.1 “程信分”模型 263
8.2.2 “闪住”催收模型 266
8.3 主动学习在业务风控场景中的应用 268
8.3.1 酒店反刷单主动学习模型 268
8.3.2 机票防虚占主动学习模型 271
8.4 本章小结 273
参考文献 273
第9 章 AI 挖掘中台 274
9.1 AI 挖掘中台的背景 274
9.2 AI 挖掘中台的框架和功能 275
9.2.1 AI 挖掘中台的构成 275
9.2.2 AI 挖掘操作步骤 276
9.2.3 AI 挖掘中台的组件及工作流程 279
9.2.4 AI 挖掘中台应用成效 281
9.3 大数据和人工智能的赋能 281
9.4 本章小结 282
第10 章 AI 运营中台 283
10.1 AI 运营中台的背景 283
10.2 AI 运营中台的框架和功能 284
10.2.1 框架 284
10.2.2 流程 288
10.2.3 模块 289
10.3 AI 运营中台的高效运营 290
10.3.1 AI 赋能方式 290
10.3.2 企业应用实例 291
10.4 本章小结 292
第11 章 通用数据服务 294
11.1 通用数据服务的背景 294
11.2 通用数据服务平台的架构和功能 295
11.2.1 通用数据服务平台的架构 295
11.2.2 通用数据服务平台的功能模块 295
11.3 通用数据服务的监控 299
11.3.1 存储监控 300
11.3.2 查询监控 300
11.3.3 写入监控 301
11.4 本章小结 302
内容摘要
本书的作者来自于携程多个研发部门，内容讲解系统全面，从旅行产品的个性化推荐和搜索，到旅行场景的OCR、机器翻译和知识图谱，再到产品层面的主题图片优选、推荐理由抽取，以及安全风控和如何工程化提升研发效率，在本书中都有相应的阐述。希望通过本书与读者分享人工智能技术如何在携程具体业务中落地，并发挥巨大的影响力，如提升业务目标、提升人效比，乃至为网站的安全保驾护航。希望将人工智能赋能业务的理念传达给用户，给用户带来有用的启发和借鉴。 本书主要从具体的应用场景入手，介绍如何将具体的业务问题进行建模，转变为具体的机器学习模型，并将业务目标转化为机器学习的目标函数。本书在关注基础模型之外，更加关注如何将业务目标转化为模型优化目标。这些映射将帮助产品技术同学更好地理解机器学习模型如何落地。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价