美团机器学习实践2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

美团机器学习实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 通用流程2

第1章 问题建模2

1.1 评估指标3

1.1.1 分类指标4

1.1.2 回归指标7

1.1.3 排序指标9

1.2 样本选择10

1.2.1 数据去噪11

1.2.2 采样12

1.2.3 原型选择和训练集选择13

1.3 交叉验证14

1.3.1 留出法14

1.3.2 K折交叉验证15

1.3.3 自助法16

参考文献17

第2章 特征工程18

2.1 特征提取18

2.1.1 探索性数据分析19

2.1.2 数值特征20

2.1.3 类别特征22

2.1.4 时间特征24

2.1.5 空间特征25

2.1.6 文本特征25

2.2 特征选择27

2.2.1 过滤方法28

2.2.2 封装方法31

2.2.3 嵌入方法31

2.2.4 小结32

2.2.5 工具介绍33

参考文献33

第3章 常用模型35

3.1 逻辑回归35

3.1.1 逻辑回归原理35

3.1.2 逻辑回归应用38

3.2 场感知因子分解机39

3.2.1 因子分解机原理39

3.2.2 场感知因子分解机原理40

3.2.3 场感知因子分解机的应用41

3.3 梯度提升树42

3.3.1 梯度提升树原理42

3.3.2 梯度提升树的应用44

参考文献44

第4章 模型融合45

4.1 理论分析46

4.1.1 融合收益46

4.1.2 模型误差-分歧分解46

4.1.3 模型多样性度量48

4.1.4 多样性增强49

4.2 融合方法50

4.2.1 平均法50

4.2.2 投票法52

4.2.3 Bagging54

4.2.4 Stacking55

4.2.5 小结56

参考文献57

第二部分 数据挖掘60

第5章 用户画像60

5.1 什么是用户画像60

5.2 用户画像数据挖掘63

5.2.1 画像数据挖掘整体架构63

5.2.2 用户标识65

5.2.3 特征数据67

5.2.4 样本数据68

5.2.5 标签建模69

5.3 用户画像应用83

5.3.1 用户画像实时查询系统83

5.3.2 人群画像分析系统87

5.3.3 其他系统90

5.3.4 线上应用效果91

5.4 小结91

参考文献91

第6章 POI实体链接92

6.1 问题的背景与难点92

6.2 国内酒店POI实体链接解决方案94

6.2.1 酒店POI实体链接94

6.2.2 数据清洗96

6.2.3 特征生成97

6.2.4 模型选择与效果评估100

6.2.5 索引粒度的配置101

6.3 其他场景的策略调整101

6.4 小结103

第7章 评论挖掘104

7.1 评论挖掘的背景104

7.1.1 评论挖掘的粒度105

7.1.2 评论挖掘的维度105

7.1.3 评论挖掘的整合思考106

7.2 评论标签提取106

7.2.1 数据的获取及预处理107

7.2.2 无监督的标签提取方法109

7.2.3 基于深度学习的标签提取方法111

7.3 标签情感分析113

7.3.1 评论标签情感分析的特殊性113

7.3.2 基于深度学习的情感分析方法115

7.3.3 评论标签情感分析的后续优化与思考118

7.4 评论挖掘的未来应用及实践119

7.5 小结119

参考文献119

第三部分 搜索和推荐122

第8章 O2O场景下的查询理解与用户引导122

8.1 现代搜索引擎原理123

8.2 精确理解查询124

8.2.1 用户查询意图的定义与识别125

8.2.2 查询实体识别与结构化129

8.2.3 召回策略的变迁130

8.2.4 查询改写131

8.2.5 词权重与相关性计算134

8.2.6 类目相关性与人工标注135

8.2.7 查询理解小结136

8.3 引导用户完成搜索137

8.3.1 用户引导的产品定义与衡量标准137

8.3.2 搜索前的引导——查询词推荐140

8.3.3 搜索中的引导——查询补全143

8.3.4 搜索后的引导——相关搜索145

8.3.5 效率提升与效果提升145

8.3.6 用户引导小结149

8.4 小结149

参考文献150

第9章 O2O场景下排序的特点152

9.1 系统概述154

9.2 在线排序服务154

9.3 多层正交A/B测试155

9.4 特征获取155

9.5 离线调研系统156

9.6 特征工程156

9.7 排序模型157

9.8 场景化排序160

9.9 小结165

第10章 推荐在O2O场景中的应用166

10.1 典型的O2O推荐场景166

10.2 O2O推荐场景特点167

10.2.1 O2O场景的地理位置因素168

10.2.2 O2O场景的用户历史行为168

10.2.3 O2O场景的实时推荐169

10.3 美团推荐实践——推荐框架169

10.4 美团推荐实践——推荐召回170

10.4.1 基于协同过滤的召回171

10.4.2 基于位置的召回171

10.4.3 基于搜索查询的召回172

10.4.4 基于图的召回172

10.4.5 基于实时用户行为的召回172

10.4.6 替补策略172

10.5 美团推荐实践——推荐排序173

10.5.1 排序特征173

10.5.2 排序样本174

10.5.3 排序模型175

10.6 推荐评价指标176

第四部分 计算广告178

第11章 O2O场景下的广告营销178

11.1 O2O场景下的广告业务特点178

11.2 商户、用户和平台三者利益平衡180

11.2.1 商户效果感知180

11.2.2 用户体验181

11.2.3 平台收益182

11.3 O2O广告机制设计183

11.3.1 广告位设定183

11.3.2 广告召回机制183

11.3.3 广告排序机制184

11.4 O2O推送广告187

11.5 O2O广告系统工具190

11.5.1 面向开发人员的系统工具190

11.5.2 面向广告主和运营人员的工具192

11.6 小结194

参考文献194

第12章 用户偏好和损失建模196

12.1 如何定义用户偏好196

12.1.1 什么是用户偏好196

12.1.2 如何衡量用户偏好196

12.1.3 对不同POI的偏好197

12.1.4 用户对POI偏好的衡量197

12.2 广告价值与偏好损失的兑换198

12.2.1 优化目标199

12.2.2 模型建模199

12.3 Pairwise模型学习201

12.3.1 GBRank202

12.3.2 RankNet204

参考文献205

第五部分 深度学习208

第13章 深度学习概述208

13.1 深度学习技术发展历程209

13.2 深度学习基础结构211

13.3 深度学习研究热点216

13.3.1 基于深度学习的生成式模型216

13.3.2 深度强化学习218

参考文献219

第14章 深度学习在文本领域中的应用220

14.1 基于深度学习的文本匹配221

14.2 基于深度学习的排序模型231

14.2.1 排序模型简介231

14.2.2 深度学习排序模型的演进232

14.2.3 美团的深度学习排序模型尝试235

14.3 小结237

参考文献237

第15章 深度学习在计算机视觉中的应用238

15.1 基于深度学习的OCR238

15.1.1 OCR技术发展历程239

15.1.2 基于深度学习的文字检测244

15.1.3 基于序列学习的文字识别248

15.1.4 小结251

15.2 基于深度学习的图像智能审核251

15.2.1 基于深度学习的水印检测252

15.2.2 明星脸识别254

15.2.3 色情图片检测257

15.2.4 场景分类257

15.3 基于深度学习的图像质量排序259

15.3.1 图像美学质量评价260

15.3.2 面向点击预测的图像质量评价260

15.4 小结263

参考文献264

第六部分 算法工程268

第16章 大规模机器学习268

16.1 并行计算编程技术268

16.1.1 向量化269

16.1.2 多核并行OpenMP270

16.1.3 GPU编程272

16.1.4 多机并行MPI273

16.1.5 并行编程技术小结276

16.2 并行计算模型276

16.2.1 BSP277

16.2.2 SSP279

16.2.3 ASP280

16.2.4 参数服务器281

16.3 并行计算案例284

16.3.1 XGBoost并行库Rabit284

16.3.2 MXNet并行库PS-Lite286

16.4 美团并行计算机器学习平台287

参考文献289

第17章 特征工程和实验平台290

17.1 特征平台290

17.1.1 特征生产290

17.1.2 特征上线293

17.1.3 在线特征监控301

17.2 实验管理平台302

17.2.1 实验平台概述302

17.2.2 美团实验平台——Gemini304