携程人工智能实践(博文视点出品)

图书标准信息

• 作者 携程技术团队 著
• 出版社 电子工业出版社
• 出版时间 2020-04
• 版次 1
• ISBN 9787121384400
• 定价 109.00元
• 装帧 其他
• 开本 16开
• 页数 320页
• 字数 346千字

【内容简介】

《携程人工智能实践》的作者来自携程多个研发部门，从具体的应用场景入手，主要包括旅行产品的个性化推荐和搜索，旅行场景的 OCR、机器翻译和知识图谱，主题图片优选、推荐理由抽取，以及安全风险控制和如何工程化提升研发效率等，较为全面地介绍了如何对具体的业务问题进行建模，将其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。本书在此基础上提供了一些有效的经验，使得读者能够利用机器学习的方式全面有效地帮助企业提升业务目标、提升人效比，乃至为网站的安全保驾护航。作者希望本书能够帮助产品技术同人更好地理解机器学习模型的落地，给读者带来启发和借鉴。

 

 

 

【作者简介】

携程技术团队

 

作为携程集团的核心竞争力，携程技术团队由近7000位来自海内外的精英工程师组成，为携程集团业务的运作和开拓提供全面技术支持，并以技术创新源源不断地为产品和服务创造价值。

 

技术从来都不是闭门造车，携程技术团队会一直以开放和充满热情的心态，通过各种渠道和方式，和圈内小伙伴们探讨、交流、碰撞，共同收获和成长。

 

【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