攜程人工智能實(shí)踐

目 錄
第1 章　數(shù)學(xué)基礎(chǔ)　001
1.1　引言　001
1.2　線性代數(shù)　001
1.2.1　概述　001
1.2.2　向量與矩陣　002
1.2.3 矩陣的運(yùn)算　003
1.2.4　幾種特殊的矩陣　005
1.2.5　線性方程組與矩陣的逆　007
1.2.6　特征值和特征向量　010
1.2.7 張量的定義和運(yùn)算　011
1.3　概率基礎(chǔ)　013
1.3.1　頻率與概率　013
1.3.2　熵　016
1.3.3　常見的概率分布　017
1.4　優(yōu)化理論　020
1.4.1　優(yōu)化理論簡(jiǎn)介　020
1.4.2　無約束的優(yōu)化問題　022
1.4.3　無約束的優(yōu)化方法　024
1.4.4　風(fēng)險(xiǎn)函數(shù)的優(yōu)化方法　026
1.4.5　帶約束的優(yōu)化方法　028
1.5　本章小結(jié)　031
參考文獻(xiàn)　031

第2 章　模型構(gòu)建　032
2.1　引言　032
2.2 建模流程　032
2.2.1　目標(biāo)定義　032
2.2.2　損失函數(shù)　035
2.2.3　求解優(yōu)化　037
2.2.4　結(jié)果評(píng)估　037
2.2.5　模型選擇　040
2.3　常見模型　042
2.3.1　模型的分類方法　042
2.3.2　回歸模型　043
2.3.3　邏輯回歸模型　047
2.4　集成學(xué)習(xí)　049
2.4.1　集成學(xué)習(xí)概述　049
2.4.2　Bagging　051
2.4.3　Boosting　052
2.5 本章小結(jié)　055
參考文獻(xiàn)　057

第3 章　個(gè)性化推薦與搜索　058
3.1　個(gè)性化推薦概述　058
3.2　跨領(lǐng)域推薦改善用戶冷啟動(dòng)問題　059
3.2.1　背景描述　059
3.2.2　基礎(chǔ)定義　060
3.2.3　建模思路　061
3.2.4　模型結(jié)構(gòu)　062
3.2.5　實(shí)驗(yàn)結(jié)果　065
3.3　Bandit 算法在攜程場(chǎng)景中的應(yīng)用實(shí)踐　066
3.3.1　Context-free Bandit 算法　067
3.3.2　Contextual Bandit 算法　069
3.3.3　場(chǎng)景應(yīng)用　070
3.4　旅游度假產(chǎn)品的搜索個(gè)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　模型演進(jìn)及其他　085
3.4.4　小結(jié)　086
3.5　深度學(xué)習(xí)在酒店房型推薦中的應(yīng)用實(shí)踐　087
3.5.1　酒店房型推薦業(yè)務(wù)的背景　087
3.5.2　業(yè)務(wù)問題轉(zhuǎn)化為算法問題　087
3.5.3　算法流程　088
3.5.4　小結(jié)　089
3.6　強(qiáng)化學(xué)習(xí)在酒店排序中的應(yīng)用實(shí)踐　089
3.6.1　業(yè)務(wù)背景　089
3.6.2　傳統(tǒng)排序?qū)W習(xí)的局限性　090
3.6.3　強(qiáng)化學(xué)習(xí)的基本思路　091
3.6.4　算法流程　091
3.6.5　小結(jié)　093
3.7　瀑布流排序算法實(shí)踐　094
3.7.1　場(chǎng)景簡(jiǎn)介　094
3.7.2　優(yōu)化目標(biāo)　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　評(píng)價(jià)指標(biāo)　099
3.7.7　場(chǎng)景實(shí)踐　101
3.8　本章小結(jié)　101

第4 章 AI 服務(wù)化 102
4.1 AI 服務(wù)化的背景與難點(diǎn) 102
4.2 旅游領(lǐng)域知識(shí)圖譜 102
4.2.1 旅游領(lǐng)域知識(shí)圖譜的特點(diǎn) 103
4.2.2 旅游領(lǐng)域知識(shí)圖譜的構(gòu)建 104
4.2.3 旅游領(lǐng)域知識(shí)圖譜的應(yīng)用 112
4.3 QA 問答中的文本匹配與排序 117
4.3.1 基于深度學(xué)習(xí)的語義匹配模型 118
4.3.2 基于交互的語義匹配模型 122
4.3.3 遷移學(xué)習(xí)在語義匹配網(wǎng)絡(luò)中的應(yīng)用 125
4.3.4 對(duì)語義匹配模型的一些思考 127
4.4 攜程國(guó)際化中的機(jī)器翻譯 130
4.4.1 模型架構(gòu) 130
4.4.2 建模技巧 135
4.4.3 翻譯質(zhì)量評(píng)估 138
4.5 證件全文本識(shí)別 141
4.5.1 文本識(shí)別簡(jiǎn)介與發(fā)展歷程 141
4.5.2 文本識(shí)別步驟 142
4.5.3 文本檢測(cè) 142
4.5.4 文本識(shí)別 145
4.5.5 文本識(shí)別在證件識(shí)別中的應(yīng)用實(shí)踐 145
4.6 本章小結(jié) 147
參考文獻(xiàn) 147

第5 章 AI 助力產(chǎn)品運(yùn)營(yíng) 150
5.1 旅游場(chǎng)景中的主題圖片自動(dòng)優(yōu)選 151
5.1.1 業(yè)務(wù)場(chǎng)景 151
5.1.2 圖像識(shí)別 151
5.1.3 圖像去重 154
5.1.4 圖像優(yōu)美度識(shí)別 155
5.1.5 小結(jié) 158
5.2 知識(shí)推理在攜程業(yè)務(wù)中的應(yīng)用 158
5.2.1 標(biāo)簽系統(tǒng)的業(yè)務(wù)背景和業(yè)務(wù)痛點(diǎn) 159
5.2.2 標(biāo)簽規(guī)則配置平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn) 160
5.2.3 小結(jié) 164
5.3 基于專名的內(nèi)容產(chǎn)品化 165
5.3.1 內(nèi)容產(chǎn)品化的業(yè)務(wù)背景 165
5.3.2 命名實(shí)體識(shí)別 165
5.3.3 實(shí)體鏈接 168
5.3.4 小結(jié) 174
5.4 主題推薦理由抽取 174
5.4.1 主題推薦理由抽取的業(yè)務(wù)背景 174
5.4.2 智能內(nèi)容抽取 175
5.4.3 自動(dòng)內(nèi)容生成 186
5.4.4 小結(jié) 193
5.5 本章小結(jié) 194
參考文獻(xiàn) 194

第6 章 AI 運(yùn)營(yíng) 199
6.1 問題的背景與難點(diǎn) 199
6.2 機(jī)器學(xué)習(xí)在海外酒店房態(tài)預(yù)測(cè)中的運(yùn)用 201
6.2.1 業(yè)務(wù)背景 201
6.2.2 海外酒店房態(tài)預(yù)測(cè)的難點(diǎn) 201
6.2.3 海外酒店房態(tài)預(yù)測(cè)難點(diǎn)的解決方案 202
6.2.4 海外酒店房態(tài)預(yù)測(cè)的應(yīng)用場(chǎng)景 208
6.3 IM+ 用戶模擬評(píng)分 209
6.3.1 業(yè)務(wù)背景 209
6.3.2 基于深度學(xué)習(xí)的模擬評(píng)分 210
6.3.3 技術(shù)方案流程 214
6.4 海外郵件自動(dòng)化 215
6.4.1 業(yè)務(wù)背景 215
6.4.2 自然語言處理在郵件自動(dòng)化中的應(yīng)用 216
6.5 實(shí)時(shí)智能異常檢測(cè)平臺(tái)的算法及工程實(shí)現(xiàn) 221
6.5.1 應(yīng)用場(chǎng)景 221
6.5.2 大而全的監(jiān)控衍生出的問題 222
6.5.3 統(tǒng)計(jì)模型的困擾 222
6.5.4 算法選擇和設(shè)計(jì)目標(biāo) 223
6.5.5 算法的描述和檢驗(yàn) 225
6.5.6 實(shí)時(shí)性工程 231
6.6 本章小結(jié) 233

第7 章 信息安全 234
7.1 問題的背景與難點(diǎn) 235
7.2 機(jī)器學(xué)習(xí)在Web 攻擊檢測(cè)中的實(shí)踐 235
7.2.1 攜程Web-IDS 攻擊檢測(cè)系統(tǒng)架構(gòu)介紹 235
7.2.2 定義目標(biāo)問題 238
7.2.3 收集數(shù)據(jù)和實(shí)現(xiàn)特征工程 238
7.2.4 模型效果評(píng)估 240
7.2.5 線上應(yīng)用和持續(xù)優(yōu)化 241
7.3 機(jī)器學(xué)習(xí)在滑塊驗(yàn)證碼防御中的實(shí)踐 242
7.3.1 滑塊驗(yàn)證碼人機(jī)識(shí)別 243
7.3.2 滑塊驗(yàn)證碼軌跡相似度識(shí)別 247
7.4 本章小結(jié) 253
參考文獻(xiàn) 253

第8 章 風(fēng)險(xiǎn)控制 254
8.1 自動(dòng)化迭代反欺詐模型體系 254
8.1.1 風(fēng)控變量體系 256
8.1.2 自動(dòng)化迭代模型框架 256
8.1.3 RNN 表征學(xué)習(xí) 259
8.1.4 自動(dòng)化與傳統(tǒng)方法的效果對(duì)比 261
8.2 “程信分”模型體系 263
8.2.1 “程信分”模型 263
8.2.2 “閃住”催收模型 266
8.3 主動(dòng)學(xué)習(xí)在業(yè)務(wù)風(fēng)控場(chǎng)景中的應(yīng)用 268
8.3.1 酒店反刷單主動(dòng)學(xué)習(xí)模型 268
8.3.2 機(jī)票防虛占主動(dòng)學(xué)習(xí)模型 271
8.4 本章小結(jié) 273
參考文獻(xiàn) 273

第9 章 AI 挖掘中臺(tái) 274
9.1 AI 挖掘中臺(tái)的背景 274
9.2 AI 挖掘中臺(tái)的框架和功能 275
9.2.1 AI 挖掘中臺(tái)的構(gòu)成 275
9.2.2 AI 挖掘操作步驟 276
9.2.3 AI 挖掘中臺(tái)的組件及工作流程 279
9.2.4 AI 挖掘中臺(tái)應(yīng)用成效 281
9.3 大數(shù)據(jù)和人工智能的賦能 281
9.4 本章小結(jié) 282

第10 章 AI 運(yùn)營(yíng)中臺(tái) 283
10.1 AI 運(yùn)營(yíng)中臺(tái)的背景 283
10.2 AI 運(yùn)營(yíng)中臺(tái)的框架和功能 284
10.2.1 框架 284
10.2.2 流程 288
10.2.3 模塊 289
10.3 AI 運(yùn)營(yíng)中臺(tái)的高效運(yùn)營(yíng) 290
10.3.1 AI 賦能方式 290
10.3.2 企業(yè)應(yīng)用實(shí)例 291
10.4 本章小結(jié) 292

第11 章 通用數(shù)據(jù)服務(wù) 294
11.1 通用數(shù)據(jù)服務(wù)的背景 294
11.2 通用數(shù)據(jù)服務(wù)平臺(tái)的架構(gòu)和功能 295
11.2.1 通用數(shù)據(jù)服務(wù)平臺(tái)的架構(gòu) 295
11.2.2 通用數(shù)據(jù)服務(wù)平臺(tái)的功能模塊 295
11.3 通用數(shù)據(jù)服務(wù)的監(jiān)控 299
11.3.1 存儲(chǔ)監(jiān)控 300
11.3.2 查詢監(jiān)控 300
11.3.3 寫入監(jiān)控 301
11.4 本章小結(jié) 302