预购商品
书目分类
特别推荐
第1章 AI時代下的產品經理 1.1 產品經理崗位的變遷 / 2 1.2 策略產品經理概覽 / 5 1.2.1 策略產品經理的具體工作 / 5 1.2.2 策略產品經理分類 / 5 1.3 策略產品經理的能力要求 / 8 1.4 策略產品經理的思維要求 / 9 1.5 互聯網公司的策略部門 / 10 1.6 小結 / 11 第2章 策略產品經理 機器學習知識 2.1 機器學習入門 / 13 2.2 機器學習和AI的關係 / 14 2.3 機器學習全流程 / 16 2.3.1 問題定義 / 17 2.3.2 資料處理 / 19 2.3.3 特徵工程 / 21 2.3.4 模型訓練 / 21 2.3.5 模型評估 / 23 2.3.6 模型應用 / 23 2.4 機器學習常見指標 / 24 2.4.1 分類模型離線評估指標 / 24 2.4.2 回歸模型離線評估指標 / 28 2.4.3 聚類模型離線評估指標 / 28 2.5 工業界常見演算法 / 31 2.5.1 邏輯回歸 / 31 2.5.2 K近鄰演算法 / 32 2.5.3 貝葉斯模型 / 34 2.5.4 K聚類演算法 / 37 2.5.5 決策樹 / 38 2.5.6 深度神經網路 / 43 2.6 梯度下降法 / 50 2.6.1 案例引入 / 50 2.6.2 梯度下降法簡介 / 52 2.7 工業界演算法的選擇 / 54 2.8 小結 / 55 第3章 推薦策略 3.1 引入 / 57 3.1.1 推薦系統應用的標誌性事件 / 57 3.1.2 推薦系統興起的原因 / 59 3.2 推薦系統概述 / 60 3.2.1 推薦系統簡介 / 60 3.2.2 推薦系統發展的4個階段 / 61 3.2.3 推薦系統整體架構 / 62 3.2.4 常見效果評估指標 / 66 3.3 推薦策略產品經理畫像 / 71 3.4 資料處理 / 72 3.4.1 常見的底層資料表 / 73 3.4.2 資料表的加工 / 73 3.4.3 數據歸一化和標準化 / 73 3.5 推薦系統召回策略 / 77 3.5.1 3種召回策略 / 77 3.5.2 多路召回架構 / 79 3.5.3 基於規則的召回 / 81 3.5.4 基於協同過濾的召回 / 86 3.5.5 基於向量的召回 / 95 3.5.6 雙塔模型 / 99 3.5.7 召回策略的效果評估 / 102 3.6 推薦系統粗排策略 / 103 3.6.1 基於規則的粗排策略 / 104 3.6.2 基於模型的粗排策略 / 104 3.6.3 粗排策略效果評估 / 105 3.7 推薦系統精排策略 / 105 3.7.1 學習目標 / 105 3.7.2 演算法選擇 / 106 3.7.3 特徵構造 / 106 3.7.4 特徵選擇 / 109 3.7.5 特徵編碼 / 112 3.7.6 模型訓練 / 114 3.7.7 效果評估 / 117 3.7.8 模型應用和反覆運算 / 117 3.8 推薦系統重排策略 / 117 3.8.1 概述 / 118 3.8.2 全域最優策略 / 118 3.8.3 用戶體驗策略 / 120 3.8.4 流量調控策略 / 121 3.8.5 綜合性重排 / 121 3.9 推薦結果樣式創意策略 / 122 3.9.1 概述 / 122 3.9.2 樣式策略 / 124 3.9.3 創意策略 / 129 3.10 推薦系統使用者體驗策略 / 134 3.10.1 產品功能 / 134 3.10.2 底層策略 / 136 3.10.3 主觀評估 / 137 3.11 推薦系統冷開機策略 / 138 3.11.1 產品設計 / 138 3.11.2 底層策略 / 140 3.12 推薦系統的整體推薦機制 / 141 3.12.1 電商推薦場景的流量分發機制 / 141 3.12.2 短視頻推薦場景的流量分發 機制 / 142 3.13 AB Test實驗 / 144 3.13.1 AB Test整體介紹 / 144 3.13.2 AB Test實驗完整機制 / 145 3.13.3 實驗效果的可信性評估 / 148 3.14 小結 / 149 第4章 搜索策略 4.1 引入 / 151 4.1.1 搜尋引擎的5個時代 / 151 4.1.2 搜尋引擎的分類 / 153 4.2 搜尋引擎概述 / 154 4.2.1 搜尋引擎簡介 / 154 4.2.2 搜尋引擎整體架構 / 155 4.2.3 常見效果評估指標 / 159 4.3 搜索策略產品經理畫像 / 161 4.4 搜尋引擎實體識別 / 162 4.4.1 實體識別是什麼 / 162 4.4.2 實體體系構建 / 163 4.5 搜尋引擎詞庫 / 163 4.6 搜尋引擎物料索引 / 164 4.6.1 正排索引 / 164 4.6.2 倒排索引 / 165 4.7 搜尋引擎查詢語義理解 / 166 4.7.1 歸一化 / 166 4.7.2 糾錯 / 167 4.7.3 分詞 / 170 4.7.4 實體識別 / 174 4.7.5 類目預測 / 175 4.7.6 查詢改寫 / 178 4.8 搜尋引擎召回策略 / 178 4.8.1 基本架構 / 178 4.8.2 文本相關性召回 / 179 4.8.3 語義相關性召回 / 181 4.8.4 個性化召回 / 184 4.8.5 效果評估 / 185 4.9 搜尋引擎粗排策略 / 185 4.9.1 粗排公式 / 185 4.9.2 分數融合 / 187 4.10 搜尋引擎精排策略 / 188 4.10.1 相關性排序 / 188 4.10.2 多目標排序 / 188 4.10.3 特徵工程 / 188 4.10.4 PageRank演算法 / 189 4.11 搜尋引擎重排策略 / 192 4.11.1 全域最優策略 / 192 4.11.2 用戶體驗策略 / 193 4.11.3 流量調控策略 / 193 4.12 搜索結果樣式和創意策略 / 193 4.12.1 樣式策略 / 193 4.12.2 創意策略 / 195 4.13 搜索結果用戶體驗策略 / 195 4.13.1 產品功能 / 195 4.13.2 底層策略 / 197 4.13.3 主觀評估 / 197 4.14 搜索產品功能 / 198 4.14.1 搜索網底 / 198 4.14.2 搜索聯想詞 / 199 4.14.3 搜索巡覽列 / 201 4.14.4 搜索發現 / 202 4.14.5 搜索排行榜 / 203 4.14.6 搜索二次篩選 / 204 4.15 多模態搜索 / 206 4.15.1 以圖搜圖 / 206 4.15.2 識曲搜索 / 207 4.15.3 視頻搜索 / 208 4.16 小結 / 209 第5章 廣告策略 5.1 引入 / 211 5.1.1 廣告基礎入門 / 212 5.1.2 互聯網廣告概述 / 217 5.1.3 國內廣告引擎簡史 / 222 5.2 廣告系統概述 / 224 5.2.1 廣告平臺簡介 / 224 5.2.2 廣告系統整體流程 / 229 5.2.3 常見效果評估指標 / 230 5.3 廣告策略產品經理畫像 / 233 5.3.1 廣告策略產品經理 / 233 5.3.2 廣告策略產品細分 / 234 5.4 廣告投放策略 / 236 5.4.1 搜索競價廣告 / 236 5.4.2 推薦競價廣告 / 243 5.4.3 智能通投 / 246 5.4.4 合約廣告 / 247 5.5 廣告流量策略 / 248 5.5.1 流量接入 / 249 5.5.2 流量分發 / 250 5.5.3 流量聯動 / 254 5.6 廣告競價機制 / 255 5.6.1 傳統競價拍賣機制 / 255 5.6.2 廣告競價機制應用 / 256 5.7 廣告出價策略 / 261 5.7.1 基本知識 / 262 5.7.2 手動出價 / 264 5.7.3 智能出價 / 264 5.8 廣告歸因策略 / 274 5.8.1 整體介紹 / 274 5.8.2 多觸點歸因 / 276 5.8.3 跟單設置 / 277 5.9 廣告創意策略 / 278 5.9.1 創意設置 / 279 5.9.2 圖片生成 / 282 5.9.3 文案生成 / 285 5.9.4 創意優選 / 288 5.10 廣告用戶體驗策略 / 290 5.11 廣告稽核原則 / 291 5.12 廣告資料管理平臺 / 291 5.13 廣告診斷工具 / 294 5.14 小結 / 296 第6章 工業界前沿技術應用 6.1 強化學習 / 298 6.1.1 案例引入 / 298 6.1.2 強化學習概述 / 299 6.1.3 基於價值的強化學習 / 301 6.1.4 實際應用案例 / 304 6.2 聯邦學習 / 306 6.2.1 聯邦學習概述 / 306 6.2.2 橫向聯邦學習 / 307 6.2.3 縱向聯邦學習 / 309 6.2.4 聯邦遷移學習 / 312 6.2.5 實際應用案例 / 312 6.3 隱私計算 / 313 6.3.1 案例引入 / 313 6.3.2 隱私計算概述 / 314 6.4 邊緣計算 / 317 6.4.1 案例引入 / 317 6.4.2 雲計算概述 / 317 6.4.3 邊緣計算概述 / 318 6.4.4 實際應用案例 / 319 6.5 小結 / 320
徐修建,前第四範式AI解決方案專家,為國內多家大型零售和金融企業提供過AI諮詢服務,曾為國內領先的零售企業從0到1搭建搜尋引擎和推薦系統;現為某互聯網大廠商業化策略產品專家,負責站內推薦廣告投放平臺建設和流量策略設計。倫敦大學國王學院資料科學碩士,知乎科技互聯網領域知名博主,人人都是產品經理網站專欄作家,公眾號“King James講策略主理人;熟悉搜尋引擎、廣告系統和推薦系統的產品技術體系,擁有豐富的搜廣推領域實戰經驗。
客服公告
热门活动
订阅电子报