携程人工智能实践携程技术团队书籍

●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
2.4.2Bagging051
2.4.3Boosting052
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
3.3Bandit算法在携程场景中的应用实践066
3.3.1Context-freeBandit算法067
3.3.2ContextualBandit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
4.1AI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
4.3QA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
6.3IM+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
8.1.3RNN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
9.1AI挖掘中台的背景274
9.2AI挖掘中台的框架和功能275
9.2.1AI挖掘中台的构成275
9.2.2AI挖掘操作步骤276
9.2.3AI挖掘中台的组件及工作流程279
9.2.4AI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
10.1AI运营中台的背景283
10.2AI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
10.3AI运营中台的高效运营290
10.3.1AI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