具体描述
《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。
目录信息
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
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
阅读“携程人工智能实践”这本书，是一次对人工智能在实体经济中深度融合的沉浸式体验。它并非一本简单的技术指南，而更像是一份包含着丰富实践经验的“案例集”，里面记录了携程在人工智能浪潮中，如何从零开始，一步步构建起自身的AI能力，并将其转化为核心竞争力的过程。我印象深刻的是书中关于“AI在旅游供应链优化中的应用”的部分，这让我看到了AI不仅仅是面向用户的工具，更是能够深入到产业内部，解决复杂运营问题的强大驱动力。从航班延误预测到酒店库存管理，再到动态定价策略，AI的触角延伸到了旅游业的每一个角落。这本书也让我更加理解了“数据为王”的理念，携程能够取得今天的成就，离不开其长期以来对数据的收集、整理和分析。AI的加入，更是将这些数据价值最大化，使其成为企业决策和创新的重要支撑。它让我认识到，在AI时代，拥有数据并善于利用数据，是企业保持竞争力的关键。
评分“携程人工智能实践”这本书，为我打开了一扇理解人工智能如何改变旅游行业的大门。它并非简单地罗列技术名称，而是深入剖析了携程如何将AI技术与实际业务场景紧密结合，从而创造出切实的价值。我尤其对书中关于“AI在供应链优化中的应用”的章节印象深刻，它揭示了AI如何能够帮助携程更有效地管理酒店、机票等资源，提高运营效率，降低成本，并最终为用户提供更优质的服务。例如，如何通过AI技术来预测酒店入住率，优化库存分配，或者如何根据实时交通情况，为用户推荐最佳的出行路线。这些都是AI在旅游业中发挥作用的具体体现。这本书让我认识到，AI并非是独立于业务之外的技术，而是需要深度融入到企业运营的每一个环节，才能发挥出其真正的力量。携程在这方面的实践，为我提供了宝贵的借鉴，也激发了我对AI在更多场景下应用的思考。
评分初次接触“携程人工智能实践”，我怀揣着对前沿技术探索的好奇心，以及对这个行业巨头如何在AI浪潮中乘风破浪的浓厚兴趣。当我翻开这本书，映入眼帘的并非是枯燥的理论堆砌，而是仿佛置身于携程那庞大而复杂的业务场景之中，感受着AI如何像一颗颗精准的种子，在旅游业这片沃土上生根发芽，开枝散叶。从用户个性化推荐的细致入微，到智能客服的耐心解答，再到背后强大的数据分析和预测能力，这本书就像一个导游，带领我穿梭于携程AI应用的每一个精彩瞬间。我尤其被书中关于“千人千面”的解决方案所吸引，它不仅仅是简单的数据匹配，更是对用户深层需求的洞察和预测，这种将AI技术与用户体验深度融合的理念，为我打开了全新的视角，让我开始重新审视如何在自己的工作中，思考如何用AI去更好地服务用户，解决实际问题。这本书不仅仅是一本技术手册，更像是一份沉甸甸的经验分享，让我看到了AI在真实商业世界中的巨大价值和无限可能。它让我对AI的理解不再局限于技术本身，而是将其视为驱动业务增长、优化用户体验、乃至重塑行业格局的强大引擎。
评分当我捧读“携程人工智能实践”这本书时，我仿佛走进了一间智慧的实验室，亲眼见证着人工智能如何从一个个概念，变成一个个实实在在的解决方案，最终赋能整个旅游行业。书中详实的案例分析，让我对AI在实际业务中的应用有了更深层次的理解，不再是模糊的概念，而是具体的场景和可量化的成果。我印象深刻的是书中关于“智能推荐引擎的演进”的描述，它揭示了携程如何在海量数据中，不断优化推荐算法，让用户能够发现最符合自己需求的酒店、机票、活动等。这种持续的学习和迭代，正是AI强大生命力的体现。这本书也让我认识到，AI并非一蹴而就的技术，而是需要长期的投入、不断地探索和精心的打磨。携程在这方面的坚持和投入，为行业树立了榜样，也激励着我不断学习和进步，去拥抱AI带来的机遇。
评分“携程人工智能实践”这本书，如同一部精心打磨的纪录片，将携程在人工智能领域的探索与成就，以一种引人入胜的方式呈现出来。它没有回避AI落地过程中所遇到的挑战和困难，反而将这些“坑”以及如何填平这些“坑”的经验，毫无保留地分享出来，这种坦诚与实在，让我倍感亲切。读这本书，我仿佛能够听到携程团队在一次次实验、一次次迭代中，那些激动人心的突破和偶尔的沮丧，以及最终成功的喜悦。我印象最深刻的是书中关于“算法工程师与业务产品经理的协同作战”的部分，这触及到了AI项目成功落地的核心要素——跨部门的紧密合作和对业务的深刻理解。很多时候，技术再先进，如果脱离了实际业务场景，也只能是空中楼阁。携程在这方面所展现出的前瞻性和执行力，令人钦佩。这本书让我认识到，AI并非遥不可及的黑科技，而是可以通过精心的设计、持续的优化和跨团队的协作，真正为企业带来实实在在的价值。它也激励我去思考，如何将这种实践精神融入到自己的工作流程中，如何与同事们一起，用AI的力量去解决那些曾经看似无解的难题。
评分作为一名对旅游行业有浓厚兴趣的读者，我一直很好奇像携程这样的大型平台是如何运用前沿科技来提升服务质量和效率的。“携程人工智能实践”这本书，恰好满足了我这份好奇心，并且远远超出了我的预期。它不仅仅是简单地罗列了携程使用了哪些AI技术，更是深入剖析了这些技术是如何被巧妙地应用于各个业务环节，例如如何通过智能算法来优化酒店和机票的搜索结果，如何利用机器学习来预测用户的出行需求，以及如何通过自然语言处理来提升客户服务的智能化水平。书中关于“AI赋能用户旅程”的章节，让我对整个旅游服务的流程有了更全面的认识，也看到了AI在其中扮演的不可或缺的角色。从用户产生出行想法的那一刻起，到预订、支付、出行，再到行程结束后的评价，AI的身影无处不在，它默默地为用户提供着个性化的建议、便捷的查询、高效的解决方案。这种“润物细无声”的AI应用，正是这本书最打动我的地方。它让我明白，真正的AI实践，是将技术融入到服务的每一个细节中，让用户在不经意间感受到科技带来的便利和美好。
评分“携程人工智能实践”这本书，为我揭示了人工智能如何成为现代旅游业不可或缺的驱动力。它不仅仅是一本技术书籍，更是一份关于如何将AI融入企业运营，从而实现业务增长和用户体验提升的深度报告。我尤其对书中关于“AI在异常检测与风险控制中的应用”的部分印象深刻，这让我看到了AI在保障用户安全和维护平台稳定方面的巨大价值。例如，如何通过AI技术来识别和预防欺诈行为，如何预测和应对可能出现的突发状况，这些都是在旅游业中至关重要的问题。携程在这方面的实践，为行业提供了宝贵的经验。这本书也让我更加理解了“数据即资产”的理念，只有充分挖掘和利用好数据，AI才能发挥出其真正的潜力。携程在这方面所展现出的能力，令人赞叹，也激励着我思考如何更好地利用数据来赋能我的工作。
评分翻阅“携程人工智能实践”这本书，我仿佛踏上了一段关于人工智能在旅游业深度应用的探索之旅。它不仅仅是关于技术的堆砌，更是关于如何将这些先进技术，巧妙地应用于解决旅游行业中存在的各种痛点和挑战。我印象最深刻的是书中关于“AI驱动的营销自动化”的章节，它详细介绍了携程如何利用AI技术，实现精准营销，将合适的产品和信息，在合适的时间，推送给合适的用户。这种个性化的营销策略，极大地提升了营销效率和用户体验。这本书也让我认识到，AI的应用并非局限于某个单一的环节，而是贯穿于整个用户旅程的始终。从用户产生出行想法的那一刻起，到行程结束后的复购，AI都扮演着重要的角色。携程在这方面的全方位布局，令人瞩目，也启发了我对AI在各个业务场景中潜在价值的思考。
评分“携程人工智能实践”这本书，为我提供了一个绝佳的窗口，去窥探人工智能是如何在庞大的旅游生态系统中发挥着至关重要的作用。它不仅仅是关于算法和模型，更多的是关于如何将这些先进的技术，巧妙地融入到用户旅程的每一个环节，从而提升整体的服务质量和用户满意度。我尤其被书中关于“个性化行程规划”的章节所吸引，它详细阐述了携程如何利用AI技术，根据用户的偏好、历史数据以及实时信息，为用户量身定制独一无二的旅行计划。这种将复杂的数据分析转化为简单直观的用户体验，正是AI落地成功的关键。这本书让我更加深刻地理解了“用户为中心”的理念，以及AI如何成为实现这一理念的强大助推器。它鼓励我去思考，如何在自己的领域内，也能够运用AI的力量，去创造更加个性化、更加贴心的用户服务，解决用户在旅途中可能遇到的各种问题。
评分“携程人工智能实践”这本书，给我带来了一种全新的视角来理解人工智能在商业世界中的落地与应用。我以往对AI的认知，更多地停留在理论层面，或是对一些科幻电影中描绘的未来场景的想象。然而，这本书则将AI从实验室带到了现实的战场，真实地展现了它如何在携程这样一家领先的旅游企业中，扮演着驱动创新、提升效率、优化体验的关键角色。书中所描述的案例，例如智能客服机器人如何处理大量的用户咨询，以及如何通过用户行为分析来不断优化推荐算法，都让我对AI的实际效能有了更直观的认识。我特别欣赏书中对于“数据驱动决策”的强调，这让我意识到，强大的数据基础和对数据的深度挖掘，是AI能够发挥最大作用的前提。携程在这方面所做的努力和积累的经验，为其他企业提供了宝贵的借鉴。这本书让我对AI的应用产生了更深刻的思考，不再仅仅是好奇技术本身，而是开始关注如何将AI的能力与企业自身的业务需求相结合，创造出更大的价值。
评分 评分 评分 评分 评分相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有