搜廣推策略產品經理 — 互聯網大廠搜索 + 廣告 + 推薦案例
徐修建
買這商品的人也買了...
-
游戲機制 — 高級游戲設計技術 (Game Mechanics: Advanced Game Design)$719$683 -
實戰機器學習｜以深度學習演算企業資料$450$383 -
一本書精通 Python：爬蟲遊戲 AI完全制霸$760$646 -
Mapping Experiences 看得見的經驗, 2/e (Mapping Experiences: A Complete Guide to Customer Alignment Through Journeys, Blueprints, and Diagrams, 2/e)$780$616 -
$403Web 安全 360度全面防護 -
$458Flutter 內核源碼剖析 -
跨平台 App + Web API 實戰：使用 Flutter 和 ASP.NET Core 開發尋寶遊戲$420$328 -
計算廣告：互聯網商業變現的市場與技術, 3/e$599$569 -
Web 安全攻防從入門到精通$714$678 -
Web 滲透測試新手實操詳解$474$450 -
紅藍對抗 — 解密滲透測試與網絡安全建設$828$787 -
$505數據產品經理：解決方案與案例分析 -
Hacking APIs｜剖析 Web API 漏洞攻擊技法$580$435 -
GitLab CI/CD 從入門到實戰$479$455 -
Elasticsearch數據搜索與分析實戰$599$569 -
Web 安全與攻防入門很輕松 (實戰超值版)$479$455 -
$305網絡攻防實訓 （微課視頻版） -
Flutter 小白開發 — 跨平臺客戶端應用開發學習路線$593$563 -
$811聚沙成塔：Go語言構建高性能、分佈式爬蟲項目 -
產品經理全方位敏捷實踐：從活用 Scrum 到強化 PM 心理素質， 成為 AI 無法取代的產品負責人（iThome鐵人賽系列書）【軟精裝】$700$546 -
Web Tracking 的資安攻擊與防禦策略：淺析當代瀏覽器的隱私議題 （iThome鐵人賽系列書）【軟精裝】$600$468 -
$425互聯網大廠推薦算法實戰 -
前端開發實戰派 — Vue.js 3 + Node.js + Serverless + Git$768$730 -
$301Linux 高可用負載均衡集群實踐真傳 -
建構機器學習系統實踐指南$620$465
相關主題
商品描述
《搜廣推策略產品經理——互聯網大廠搜索+廣告+推薦案例》通過通俗易懂的語言和生動形象的案例向讀者介紹互聯網大廠的搜廣推產品技術體系和前沿的 AI 技術應用，是一本兼具 AI 技術理論和行業策略優化實踐的工具書。 本書分為 6 章，第 1 章介紹 AI 時代下的新型產品經理崗位——策略產品經理；第 2 章介紹策略產品經理必備的機器學習基礎知識；第 3、 4、 5 章分別介紹當前互聯網大廠的推薦場景、搜索場景和廣告場景里的先進策略產品設計以及落地應用效果；第 6 章結合行業實際落地案例介紹前沿的 AI 技術應用。 本書適合任何對搜廣推策略產品經理崗位感興趣的讀者閱讀。在搜廣推領域從事運營和技術工作的讀者也可通過閱讀本書瞭解更多產品視角的策略設計和優化思路。
目錄大綱
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 策略產品經理必備機器學習知識
2.1 機器學習入門 / 13
2.2 機器學習和AI的關系 / 14
2.3 機器學習全流程 / 16
2.3.1 問題定義 / 17
2.3.2 數據處理 / 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 工業界常見算法 / 31
2.5.1 邏輯回歸 / 31
2.5.2 K近鄰算法 / 32
2.5.3 貝葉斯模型 / 34
2.5.4 K聚類算法 / 37
2.5.5 決策樹 / 38
2.5.6 深度神經網絡 / 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 推薦系統應用的標志性事件 / 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 數據處理 / 72
3.4.1 常見的底層數據表 / 73
3.4.2 數據表的加工 / 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 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 模型應用和迭代 / 117
3.8 推薦系統重排策略 / 117
3.8.1 概述 / 118
3.8.2 全局最優策略 / 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 推薦系統用戶體驗策略 / 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 推薦系統冷啟動策略 / 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 搜索引擎的5個時代 / 151
4.1.2 搜索引擎的分類 / 153
4.2 搜索引擎概述 / 154
4.2.1 搜索引擎簡介 / 154
4.2.2 搜索引擎整體架構 / 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 搜索引擎實體識別 / 162
4.4.1 實體識別是什麽 / 162
4.4.2 實體體系構建 / 163
4.5 搜索引擎詞庫 / 163
4.6 搜索引擎物料索引 / 164
4.6.1 正排索引 / 164
4.6.2 倒排索引 / 165
4.7 搜索引擎查詢語義理解 / 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 搜索引擎召回策略 / 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 搜索引擎粗排策略 / 185
4.9.1 粗排公式 / 185
4.9.2 分數融合 / 187
4.10 搜索引擎精排策略 / 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算法 / 189
4.11 搜索引擎重排策略 / 192
4.11.1 全局最優策略 / 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 搜索底紋 / 198
4.14.2 搜索聯想詞 / 199
4.14.3 搜索導航欄 / 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 廣告審核策略 / 291
5.12 廣告數據管理平臺 / 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
