书籍详情
搜广推策略产品经理：互联网大厂搜索+广告+推荐案例
作者：徐修建
出版社：清华大学出版社
出版时间：2024-01-01
ISBN：9787302648109
定价：¥98.00
购买这本书可以去
内容简介
《搜广推策略产品经理——互联网大厂搜索 广告 推荐案例》通过通俗易懂的语言和生动形象的案例向读者介绍互联网大厂的搜广推产品技术体系和前沿的 AI 技术应用，是一本兼具 AI 技术理论和行业策略优化实践的工具书。本书分为 6 章，第 1 章介绍 AI 时代下的新型产品经理岗位——策略产品经理；第 2 章介绍策略产品经理 的机器学习基础知识；第 3、 4、 5 章分别介绍当前互联网大厂的推荐场景、搜索场景和广告场景里的先进策略产品设计以及落地应用效果；第 6 章结合行业实际落地案例介绍前沿的 AI 技术应用。本书适合任何对搜广推策略产品经理岗位感兴趣的读者阅读。在搜广推领域从事运营和技术工作的读者也可通过阅读本书了解更多产品视角的策略设计和优化思路。
作者简介
徐修建，前第四范式AI解决方案专家，为国内多家大型零售和金融企业提供过AI咨询服务，曾为国内领先的零售企业从0到1搭建搜索引擎和推荐系统;现为某互联网大厂商业化策略产品专家，负责站内推荐广告投放平台建设和流量策略设计。伦敦大学国王学院数据科学硕士，知乎科技互联网领域知名博主，人人都是产品经理网站专栏作家，公众号“King James讲策略主理人；熟悉搜索引擎、广告系统和推荐系统的产品技术体系，拥有丰富的搜广推领域实战经验。
目录
第1章 AI时代下的产品经理
1.1 产品经理岗位的变迁 / 2
1.2 策略产品经理概览 / 5
1.2.1 策略产品经理的具体工作 / 5
1.2.2 策略产品经理分类 / 5
1.3 策略产品经理的能力要求 / 8
1.4 策略产品经理的思维要求 / 9
1.5 互联网公司的策略部门 / 10
1.6 小结 / 11
第2章 策略产品经理 机器学习知识
2.1 机器学习入门 / 13
2.2 机器学习和AI的关系 / 14
2.3 机器学习全流程 / 16
2.3.1 问题定义 / 17
2.3.2 数据处理 / 19
2.3.3 特征工程 / 21
2.3.4 模型训练 / 21
2.3.5 模型评估 / 23
2.3.6 模型应用 / 23
2.4 机器学习常见指标 / 24
2.4.1 分类模型离线评估指标 / 24
2.4.2 回归模型离线评估指标 / 28
2.4.3 聚类模型离线评估指标 / 28
2.5 工业界常见算法 / 31
2.5.1 逻辑回归 / 31
2.5.2 K近邻算法 / 32
2.5.3 贝叶斯模型 / 34
2.5.4 K聚类算法 / 37
2.5.5 决策树 / 38
2.5.6 深度神经网络 / 43
2.6 梯度下降法 / 50
2.6.1 案例引入 / 50
2.6.2 梯度下降法简介 / 52
2.7 工业界算法的选择 / 54
2.8 小结 / 55
第3章 推荐策略
3.1 引入 / 57
3.1.1 推荐系统应用的标志性事件 / 57
3.1.2 推荐系统兴起的原因 / 59
3.2 推荐系统概述 / 60
3.2.1 推荐系统简介 / 60
3.2.2 推荐系统发展的4个阶段 / 61
3.2.3 推荐系统整体架构 / 62
3.2.4 常见效果评估指标 / 66
3.3 推荐策略产品经理画像 / 71
3.4 数据处理 / 72
3.4.1 常见的底层数据表 / 73
3.4.2 数据表的加工 / 73
3.4.3 数据归一化和标准化 / 73
3.5 推荐系统召回策略 / 77
3.5.1 3种召回策略 / 77
3.5.2 多路召回架构 / 79
3.5.3 基于规则的召回 / 81
3.5.4 基于协同过滤的召回 / 86
3.5.5 基于向量的召回 / 95
3.5.6 双塔模型 / 99
3.5.7 召回策略的效果评估 / 102
3.6 推荐系统粗排策略 / 103
3.6.1 基于规则的粗排策略 / 104
3.6.2 基于模型的粗排策略 / 104
3.6.3 粗排策略效果评估 / 105
3.7 推荐系统精排策略 / 105
3.7.1 学习目标 / 105
3.7.2 算法选择 / 106
3.7.3 特征构造 / 106
3.7.4 特征选择 / 109
3.7.5 特征编码 / 112
3.7.6 模型训练 / 114
3.7.7 效果评估 / 117
3.7.8 模型应用和迭代 / 117
3.8 推荐系统重排策略 / 117
3.8.1 概述 / 118
3.8.2 全局最优策略 / 118
3.8.3 用户体验策略 / 120
3.8.4 流量调控策略 / 121
3.8.5 综合性重排 / 121
3.9 推荐结果样式创意策略 / 122
3.9.1 概述 / 122
3.9.2 样式策略 / 124
3.9.3 创意策略 / 129
3.10 推荐系统用户体验策略 / 134
3.10.1 产品功能 / 134
3.10.2 底层策略 / 136
3.10.3 主观评估 / 137
3.11 推荐系统冷启动策略 / 138
3.11.1 产品设计 / 138
3.11.2 底层策略 / 140
3.12 推荐系统的整体推荐机制 / 141
3.12.1 电商推荐场景的流量分发机制 / 141
3.12.2 短视频推荐场景的流量分发
机制 / 142
3.13 AB Test实验 / 144
3.13.1 AB Test整体介绍 / 144
3.13.2 AB Test实验完整机制 / 145
3.13.3 实验效果的可信性评估 / 148
3.14 小结 / 149
第4章 搜索策略
4.1 引入 / 151
4.1.1 搜索引擎的5个时代 / 151
4.1.2 搜索引擎的分类 / 153
4.2 搜索引擎概述 / 154
4.2.1 搜索引擎简介 / 154
4.2.2 搜索引擎整体架构 / 155
4.2.3 常见效果评估指标 / 159
4.3 搜索策略产品经理画像 / 161
4.4 搜索引擎实体识别 / 162
4.4.1 实体识别是什么 / 162
4.4.2 实体体系构建 / 163
4.5 搜索引擎词库 / 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 搜索引擎查询语义理解 / 166
4.7.1 归一化 / 166
4.7.2 纠错 / 167
4.7.3 分词 / 170
4.7.4 实体识别 / 174
4.7.5 类目预测 / 175
4.7.6 查询改写 / 178
4.8 搜索引擎召回策略 / 178
4.8.1 基本架构 / 178
4.8.2 文本相关性召回 / 179
4.8.3 语义相关性召回 / 181
4.8.4 个性化召回 / 184
4.8.5 效果评估 / 185
4.9 搜索引擎粗排策略 / 185
4.9.1 粗排公式 / 185
4.9.2 分数融合 / 187
4.10 搜索引擎精排策略 / 188
4.10.1 相关性排序 / 188
4.10.2 多目标排序 / 188
4.10.3 特征工程 / 188
4.10.4 PageRank算法 / 189
4.11 搜索引擎重排策略 / 192
4.11.1 全局最优策略 / 192
4.11.2 用户体验策略 / 193
4.11.3 流量调控策略 / 193
4.12 搜索结果样式和创意策略 / 193
4.12.1 样式策略 / 193
4.12.2 创意策略 / 195
4.13 搜索结果用户体验策略 / 195
4.13.1 产品功能 / 195
4.13.2 底层策略 / 197
4.13.3 主观评估 / 197
4.14 搜索产品功能 / 198
4.14.1 搜索底纹 / 198
4.14.2 搜索联想词 / 199
4.14.3 搜索导航栏 / 201
4.14.4 搜索发现 / 202
4.14.5 搜索排行榜 / 203
4.14.6 搜索二次筛选 / 204
4.15 多模态搜索 / 206
4.15.1 以图搜图 / 206
4.15.2 识曲搜索 / 207
4.15.3 视频搜索 / 208
4.16 小结 / 209
第5章 广告策略
5.1 引入 / 211
5.1.1 广告基础入门 / 212
5.1.2 互联网广告概述 / 217
5.1.3 国内广告引擎简史 / 222
5.2 广告系统概述 / 224
5.2.1 广告平台简介 / 224
5.2.2 广告系统整体流程 / 229
5.2.3 常见效果评估指标 / 230
5.3 广告策略产品经理画像 / 233
5.3.1 广告策略产品经理 / 233
5.3.2 广告策略产品细分 / 234
5.4 广告投放策略 / 236
5.4.1 搜索竞价广告 / 236
5.4.2 推荐竞价广告 / 243
5.4.3 智能通投 / 246
5.4.4 合约广告 / 247
5.5 广告流量策略 / 248
5.5.1 流量接入 / 249
5.5.2 流量分发 / 250
5.5.3 流量联动 / 254
5.6 广告竞价机制 / 255
5.6.1 传统竞价拍卖机制 / 255
5.6.2 广告竞价机制应用 / 256
5.7 广告出价策略 / 261
5.7.1 基本知识 / 262
5.7.2 手动出价 / 264
5.7.3 智能出价 / 264
5.8 广告归因策略 / 274
5.8.1 整体介绍 / 274
5.8.2 多触点归因 / 276
5.8.3 跟单设置 / 277
5.9 广告创意策略 / 278
5.9.1 创意设置 / 279
5.9.2 图片生成 / 282
5.9.3 文案生成 / 285
5.9.4 创意优选 / 288
5.10 广告用户体验策略 / 290
5.11 广告审核策略 / 291
5.12 广告数据管理平台 / 291
5.13 广告诊断工具 / 294
5.14 小结 / 296
第6章 工业界前沿技术应用
6.1 强化学习 / 298
6.1.1 案例引入 / 298
6.1.2 强化学习概述 / 299
6.1.3 基于价值的强化学习 / 301
6.1.4 实际应用案例 / 304
6.2 联邦学习 / 306
6.2.1 联邦学习概述 / 306
6.2.2 横向联邦学习 / 307
6.2.3 纵向联邦学习 / 309
6.2.4 联邦迁移学习 / 312
6.2.5 实际应用案例 / 312
6.3 隐私计算 / 313
6.3.1 案例引入 / 313
6.3.2 隐私计算概述 / 314
6.4 边缘计算 / 317
6.4.1 案例引入 / 317
6.4.2 云计算概述 / 317
6.4.3 边缘计算概述 / 318
6.4.4 实际应用案例 / 319
6.5 小结 / 320
1.1 产品经理岗位的变迁 / 2
1.2 策略产品经理概览 / 5
1.2.1 策略产品经理的具体工作 / 5
1.2.2 策略产品经理分类 / 5
1.3 策略产品经理的能力要求 / 8
1.4 策略产品经理的思维要求 / 9
1.5 互联网公司的策略部门 / 10
1.6 小结 / 11
第2章 策略产品经理 机器学习知识
2.1 机器学习入门 / 13
2.2 机器学习和AI的关系 / 14
2.3 机器学习全流程 / 16
2.3.1 问题定义 / 17
2.3.2 数据处理 / 19
2.3.3 特征工程 / 21
2.3.4 模型训练 / 21
2.3.5 模型评估 / 23
2.3.6 模型应用 / 23
2.4 机器学习常见指标 / 24
2.4.1 分类模型离线评估指标 / 24
2.4.2 回归模型离线评估指标 / 28
2.4.3 聚类模型离线评估指标 / 28
2.5 工业界常见算法 / 31
2.5.1 逻辑回归 / 31
2.5.2 K近邻算法 / 32
2.5.3 贝叶斯模型 / 34
2.5.4 K聚类算法 / 37
2.5.5 决策树 / 38
2.5.6 深度神经网络 / 43
2.6 梯度下降法 / 50
2.6.1 案例引入 / 50
2.6.2 梯度下降法简介 / 52
2.7 工业界算法的选择 / 54
2.8 小结 / 55
第3章 推荐策略
3.1 引入 / 57
3.1.1 推荐系统应用的标志性事件 / 57
3.1.2 推荐系统兴起的原因 / 59
3.2 推荐系统概述 / 60
3.2.1 推荐系统简介 / 60
3.2.2 推荐系统发展的4个阶段 / 61
3.2.3 推荐系统整体架构 / 62
3.2.4 常见效果评估指标 / 66
3.3 推荐策略产品经理画像 / 71
3.4 数据处理 / 72
3.4.1 常见的底层数据表 / 73
3.4.2 数据表的加工 / 73
3.4.3 数据归一化和标准化 / 73
3.5 推荐系统召回策略 / 77
3.5.1 3种召回策略 / 77
3.5.2 多路召回架构 / 79
3.5.3 基于规则的召回 / 81
3.5.4 基于协同过滤的召回 / 86
3.5.5 基于向量的召回 / 95
3.5.6 双塔模型 / 99
3.5.7 召回策略的效果评估 / 102
3.6 推荐系统粗排策略 / 103
3.6.1 基于规则的粗排策略 / 104
3.6.2 基于模型的粗排策略 / 104
3.6.3 粗排策略效果评估 / 105
3.7 推荐系统精排策略 / 105
3.7.1 学习目标 / 105
3.7.2 算法选择 / 106
3.7.3 特征构造 / 106
3.7.4 特征选择 / 109
3.7.5 特征编码 / 112
3.7.6 模型训练 / 114
3.7.7 效果评估 / 117
3.7.8 模型应用和迭代 / 117
3.8 推荐系统重排策略 / 117
3.8.1 概述 / 118
3.8.2 全局最优策略 / 118
3.8.3 用户体验策略 / 120
3.8.4 流量调控策略 / 121
3.8.5 综合性重排 / 121
3.9 推荐结果样式创意策略 / 122
3.9.1 概述 / 122
3.9.2 样式策略 / 124
3.9.3 创意策略 / 129
3.10 推荐系统用户体验策略 / 134
3.10.1 产品功能 / 134
3.10.2 底层策略 / 136
3.10.3 主观评估 / 137
3.11 推荐系统冷启动策略 / 138
3.11.1 产品设计 / 138
3.11.2 底层策略 / 140
3.12 推荐系统的整体推荐机制 / 141
3.12.1 电商推荐场景的流量分发机制 / 141
3.12.2 短视频推荐场景的流量分发
机制 / 142
3.13 AB Test实验 / 144
3.13.1 AB Test整体介绍 / 144
3.13.2 AB Test实验完整机制 / 145
3.13.3 实验效果的可信性评估 / 148
3.14 小结 / 149
第4章 搜索策略
4.1 引入 / 151
4.1.1 搜索引擎的5个时代 / 151
4.1.2 搜索引擎的分类 / 153
4.2 搜索引擎概述 / 154
4.2.1 搜索引擎简介 / 154
4.2.2 搜索引擎整体架构 / 155
4.2.3 常见效果评估指标 / 159
4.3 搜索策略产品经理画像 / 161
4.4 搜索引擎实体识别 / 162
4.4.1 实体识别是什么 / 162
4.4.2 实体体系构建 / 163
4.5 搜索引擎词库 / 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 搜索引擎查询语义理解 / 166
4.7.1 归一化 / 166
4.7.2 纠错 / 167
4.7.3 分词 / 170
4.7.4 实体识别 / 174
4.7.5 类目预测 / 175
4.7.6 查询改写 / 178
4.8 搜索引擎召回策略 / 178
4.8.1 基本架构 / 178
4.8.2 文本相关性召回 / 179
4.8.3 语义相关性召回 / 181
4.8.4 个性化召回 / 184
4.8.5 效果评估 / 185
4.9 搜索引擎粗排策略 / 185
4.9.1 粗排公式 / 185
4.9.2 分数融合 / 187
4.10 搜索引擎精排策略 / 188
4.10.1 相关性排序 / 188
4.10.2 多目标排序 / 188
4.10.3 特征工程 / 188
4.10.4 PageRank算法 / 189
4.11 搜索引擎重排策略 / 192
4.11.1 全局最优策略 / 192
4.11.2 用户体验策略 / 193
4.11.3 流量调控策略 / 193
4.12 搜索结果样式和创意策略 / 193
4.12.1 样式策略 / 193
4.12.2 创意策略 / 195
4.13 搜索结果用户体验策略 / 195
4.13.1 产品功能 / 195
4.13.2 底层策略 / 197
4.13.3 主观评估 / 197
4.14 搜索产品功能 / 198
4.14.1 搜索底纹 / 198
4.14.2 搜索联想词 / 199
4.14.3 搜索导航栏 / 201
4.14.4 搜索发现 / 202
4.14.5 搜索排行榜 / 203
4.14.6 搜索二次筛选 / 204
4.15 多模态搜索 / 206
4.15.1 以图搜图 / 206
4.15.2 识曲搜索 / 207
4.15.3 视频搜索 / 208
4.16 小结 / 209
第5章 广告策略
5.1 引入 / 211
5.1.1 广告基础入门 / 212
5.1.2 互联网广告概述 / 217
5.1.3 国内广告引擎简史 / 222
5.2 广告系统概述 / 224
5.2.1 广告平台简介 / 224
5.2.2 广告系统整体流程 / 229
5.2.3 常见效果评估指标 / 230
5.3 广告策略产品经理画像 / 233
5.3.1 广告策略产品经理 / 233
5.3.2 广告策略产品细分 / 234
5.4 广告投放策略 / 236
5.4.1 搜索竞价广告 / 236
5.4.2 推荐竞价广告 / 243
5.4.3 智能通投 / 246
5.4.4 合约广告 / 247
5.5 广告流量策略 / 248
5.5.1 流量接入 / 249
5.5.2 流量分发 / 250
5.5.3 流量联动 / 254
5.6 广告竞价机制 / 255
5.6.1 传统竞价拍卖机制 / 255
5.6.2 广告竞价机制应用 / 256
5.7 广告出价策略 / 261
5.7.1 基本知识 / 262
5.7.2 手动出价 / 264
5.7.3 智能出价 / 264
5.8 广告归因策略 / 274
5.8.1 整体介绍 / 274
5.8.2 多触点归因 / 276
5.8.3 跟单设置 / 277
5.9 广告创意策略 / 278
5.9.1 创意设置 / 279
5.9.2 图片生成 / 282
5.9.3 文案生成 / 285
5.9.4 创意优选 / 288
5.10 广告用户体验策略 / 290
5.11 广告审核策略 / 291
5.12 广告数据管理平台 / 291
5.13 广告诊断工具 / 294
5.14 小结 / 296
第6章 工业界前沿技术应用
6.1 强化学习 / 298
6.1.1 案例引入 / 298
6.1.2 强化学习概述 / 299
6.1.3 基于价值的强化学习 / 301
6.1.4 实际应用案例 / 304
6.2 联邦学习 / 306
6.2.1 联邦学习概述 / 306
6.2.2 横向联邦学习 / 307
6.2.3 纵向联邦学习 / 309
6.2.4 联邦迁移学习 / 312
6.2.5 实际应用案例 / 312
6.3 隐私计算 / 313
6.3.1 案例引入 / 313
6.3.2 隐私计算概述 / 314
6.4 边缘计算 / 317
6.4.1 案例引入 / 317
6.4.2 云计算概述 / 317
6.4.3 边缘计算概述 / 318
6.4.4 实际应用案例 / 319
6.5 小结 / 320
猜您喜欢
