攜程人工智能實踐

第1章　數學基礎　001
1.1　引言　001
1.2　線性代數　001
1.2.1　概述　001
1.2.2　向量與矩陣　002
1.2.3 矩陣的運算　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　特徵值和特徵向量　010
1.2.7 張量的定義和運算　011
1.3　概率基礎　013
1.3.1　頻率與概率　013
1.3.2　熵　016
1.3.3　常見的概率分佈　017
1.4　優化理論　020
1.4.1　優化理論簡介　020
1.4.2　無約束的優化問題　022
1.4.3　無約束的優化方法　024
1.4.4　風險函數的優化方法　026
1.4.5　帶約束的優化方法　028
1.5　本章小結　031
參考文獻　031

第2章　模型構建　032
2.1　引言　032
2.2 建模流程　032
2.2.1　目標定義　032
2.2.2　損失函數　035
2.2.3　求解優化　037
2.2.4　結果評估　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　集成學習　049
2.4.1　集成學習概述　049
2.4.2　Bagging　051
2.4.3　Boosting　052
2.5 本章小結　055
參考文獻　057

第3章　個性化推薦與搜索　058
3.1　個性化推薦概述　058
3.2　跨領域推薦改善用戶冷開機問題　059
3.2.1　背景描述　059
3.2.2　基礎定義　060
3.2.3　建模思路　061
3.2.4　模型結構　062
3.2.5　實驗結果　065
3.3　Bandit 演算法在攜程場景中的應用實踐　066
3.3.1　Context-free Bandit 演算法　067
3.3.2　Contextual Bandit 演算法　069
3.3.3　場景應用　070
3.4　旅遊度假產品的搜索個性化排序　078
3.4.1　度假搜索排序框架　079
3.4.2　度假搜索排序演算法　080
3.4.3　模型演進及其他　085
3.4.4　小結　086
3.5　深度學習在酒店房型推薦中的應用實踐　087
3.5.1　酒店房型推薦業務的背景　087
3.5.2　業務問題轉化為演算法問題　087
3.5.3　演算法流程　088
3.5.4　小結　089
3.6　強化學習在酒店排序中的應用實踐　089
3.6.1　業務背景　089
3.6.2　傳統排序學習的局限性　090
3.6.3　強化學習的基本思路　091
3.6.4　演算法流程　091
3.6.5　小結　093
3.7　瀑布流排序演算法實踐　094
3.7.1　場景簡介　094
3.7.2　優化目標　094
3.7.3　特徵工程　095
3.7.4　模型　097
3.7.5　位置偏差　098
3.7.6　評價指標　099
3.7.7　場景實踐　101
3.8　本章小結　101

第4章 AI 服務化 102
4.1 AI 服務化的背景與難點 102
4.2 旅遊領域知識圖譜 102
4.2.1 旅遊領域知識圖譜的特點 103
4.2.2 旅遊領域知識圖譜的構建 104
4.2.3 旅遊領域知識圖譜的應用 112
4.3 QA 問答中的文本匹配與排序 117
4.3.1 基於深度學習的語義匹配模型 118
4.3.2 基於交互的語義匹配模型 122
4.3.3 遷移學習在語義匹配網路中的應用 125
4.3.4 對語義匹配模型的一些思考 127
4.4 攜程國際化中的機器翻譯 130
4.4.1 模型架構 130
4.4.2 建模技巧 135
4.4.3 翻譯品質評估 138
4.5 證件全文本識別 141
4.5.1 文本識別簡介與發展歷程 141
4.5.2 文本識別步驟 142
4.5.3 文本檢測 142
4.5.4 文本識別 145
4.5.5 文本識別在證件識別中的應用實踐 145
4.6 本章小結 147
參考文獻 147

第5章 AI 助力產品運營 150
5.1 旅遊場景中的主題圖片自動優選 151
5.1.1 業務場景 151
5.1.2 圖像識別 151
5.1.3 圖像去重 154
5.1.4 圖像優美度識別 155
5.1.5 小結 158
5.2 知識推理在攜程業務中的應用 158
5.2.1 標籤系統的業務背景和業務痛點 159
5.2.2 標籤規則配置平臺的設計與實現 160
5.2.3 小結 164
5.3 基於專名的內容產品化 165
5.3.1 內容產品化的業務背景 165
5.3.2 命名實體識別 165
5.3.3 實體連結 168
5.3.4 小結 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務背景 174
5.4.2 智能內容抽取 175
5.4.3 自動內容生成 186
5.4.4 小結 193
5.5 本章小結 194
參考文獻 194

第6章 AI 運營 199
6.1 問題的背景與難點 199
6.2 機器學習在海外酒店房態預測中的運用 201
6.2.1 業務背景 201
6.2.2 海外酒店房態預測的難點 201
6.2.3 海外酒店房態預測難點的解決方案 202
6.2.4 海外酒店房態預測的應用場景 208
6.3 IM 用戶模擬評分 209
6.3.1 業務背景 209
6.3.2 基於深度學習的模擬評分 210
6.3.3 技術方案流程 214
6.4 海外郵件自動化 215
6.4.1 業務背景 215
6.4.2 自然語言處理在郵件自動化中的應用 216
6.5 即時智能異常檢測平臺的演算法及工程實現 221
6.5.1 應用場景 221
6.5.2 大而全的監控衍生出的問題 222
6.5.3 統計模型的困擾 222
6.5.4 演算法選擇和設計目標 223
6.5.5 演算法的描述和檢驗 225
6.5.6 即時性工程 231
6.6 本章小結 233

第7章 信息安全 234
7.1 問題的背景與難點 235
7.2 機器學習在Web 攻擊檢測中的實踐 235
7.2.1 攜程Web-IDS 攻擊檢測系統架構介紹 235
7.2.2 定義目標問題 238
7.2.3 收集資料和實現特徵工程 238
7.2.4 模型效果評估 240
7.2.5 線上應用和持續優化 241
7.3 機器學習在滑塊驗證碼防禦中的實踐 242
7.3.1 滑塊驗證碼人機識別 243
7.3.2 滑塊驗證碼軌跡相似度識別 247
7.4 本章小結 253
參考文獻 253

第8章 風險控制 254
8.1 自動化反覆運算反欺詐模型體系 254
8.1.1 風控變數體系 256
8.1.2 自動化反覆運算模型框架 256
8.1.3 RNN 表徵學習 259
8.1.4 自動化與傳統方法的效果對比 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 主動學習在業務風控場景中的應用 268
8.3.1 酒店反刷單主動學習模型 268
8.3.2 機票防虛占主動學習模型 271
8.4 本章小結 273
參考文獻 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 挖掘中台的構成 275
9.2.2 AI 挖掘操作步驟 276
9.2.3 AI 挖掘中台的元件及工作流程 279
9.2.4 AI 挖掘中台應用成效 281
9.3 大數據和人工智能的賦能 281
9.4 本章小結 282

第10章 AI 運營中台 283
10.1 AI 運營中台的背景 283
10.2 AI 運營中台的框架和功能 284
10.2.1 框架 284
10.2.2 流程 288
10.2.3 模組 289
10.3 AI 運營中台的高效運營 290
10.3.1 AI 賦能方式 290
10.3.2 企業應用實例 291
10.4 本章小結 292

第11章 通用資料服務 294
11.1 通用資料服務的背景 294
11.2 通用資料服務平臺的架構和功能 295
11.2.1 通用資料服務平臺的架構 295
11.2.2 通用資料服務平臺的功能模組 295
11.3 通用資料服務的監控 299
11.3.1 存儲監控 300
11.3.2 查詢監控 300
11.3.3 寫入監控 301
11.4 本章小結 302