扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
C Primer Plus 第6版 中文版
-
>
深度学习
-
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码
正版图书携程人工智能实践 版权信息
- ISBN：9787121384400
- 条形码：9787121384400 ; 978-7-121-38440-0
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
正版图书携程人工智能实践 本书特色
《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*化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。
正版图书携程人工智能实践 内容简介
《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。
正版图书携程人工智能实践 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
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
展开全部
正版图书携程人工智能实践 相关资料
《携程人工智能实践》分享了人工智能技术在携程具体业务场景中的落地，选取的都是真实技术案例，相信对相关领域的同学会有所帮助。我们也相信人工智能技术会对旅行等服务领域带来巨大改变，希望更多人参与到人工智能的实际研发中来。 ——携程集团执行副总裁、技术负责人 张晨 人工智能作为一门理论与实践并重的学科，要求研究人员在理解相关理论的同时，还要了解如何在实际业务中应用人工智能技术。本书结合携程的具体业务场景，展现了人工智能技术的落地方案，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、推荐理由抽取等，有理论、有方法，还有经验分享，适合对人工智能感兴趣的同人和从业者学习。 ——北京大学计算机系副主任、长江学者特聘教授 崔斌 智能时代已经来临，携程结合自身具体业务场景，倾情奉献了人工智能实践精选。本书不仅包括个性化推荐、搜索、旅游知识图谱、QA 问答、机器翻译和证件 OCR 的AI 服务， 而且包括AI 赋能运营、智能信息安全与风控，以及挖掘平台和运营平台等AI 中台化内容。本书将理论与实践相结合，在涵盖人工智能原理与算法的基础上，提供了大量应用落地案例和相关思考。在人们越来越重视生活质量和旅游体验的背景下，本书带领读者全面了解在线旅游行业的AI 场景及解决方案，是一本不可多得的好书。 ——同济大学百人计划特聘研究员，OpenKG 创始人之一 王昊奋 对于深度学习而言，*重要的是与应用场景结合，从而产生商业价值。本书从数学基础、模型构建、场景实践及工程化等方面对深度学习进行了全面的介绍，并围绕OTA 行业运营的应用实践和案例，详细讲解了神经网络模型在推荐和搜索、运营提效、风控安全等业务领域的具体实施，同时详细介绍了平台化、服务化在深度学习应用中的重要意义和具体实践。本书案例翔实、深入浅出，是携程技术团队多年实践经验的结晶，非常适合行业实践者阅读参考。 ——滴滴出行杰出数据科学家 谢梁 AI 是互联网未来技术的下一站，今天我们欣喜地看见，携程AI 中台化的努力与成果，把技术人对未来的梦想在OTA 行业变成了落地的现实，真实地服务于数亿公众的出行，为AI 的产业化树立了新标杆。 ——蚂蚁金服算法总监 于磊 本书的突出特点是理论与实际业务紧密结合，介绍了人工智能的核心概念、技术原理，结合携程具体业务展现了技术的落地实践。本书内容全面，案例充分，实用性强，人工智能从业者和对人工智能应用感兴趣的同人都能从中获益。 ——微众银行首席人工智能官，香港科技大学讲座教授 杨强 本书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。 ——美国微软人工智能与研究院高级研究总监，《深度学习模型及应用详解》作者 张若非
正版图书携程人工智能实践 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。
书友推荐
- >
中国人在乌苏里边疆区:历史与人类学概述
中国人在乌苏里边疆区:历史与人类学概述
¥24.0¥48.0 - >
有舍有得是人生
有舍有得是人生
¥31.5¥45.0 - >
月亮虎
月亮虎
¥17.8¥48.0 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.3¥14.0 - >
回忆爱玛侬
回忆爱玛侬
¥10.5¥32.8 - >
莉莉和章鱼
莉莉和章鱼
¥18.1¥42.0 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥17.6¥55.0 - >
推拿
推拿
¥12.2¥32.0
本类畅销
-
深度学习自然语言处理实战
¥25.8¥59.9 -
过程控制
¥11.9¥35 -
2022图书×抽奖盲袋
¥9.9¥25 -
2023读书月阅读盲盒——天黑，闭眼，刀谁？
¥42.3¥158 -
-
2022读者节纪念徽章-三星会员专属
¥45¥45.6
