正版新书]搜广推策略产品经理 互联网大厂搜索+广告+推荐案例徐

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 策略产品经理推荐机器学习知识

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 全局很优策略/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 全局很优策略/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

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。

本书全面介绍了搜索引擎、广告系统和推荐系统的各个模块
本书包含丰富的阿里、字节和美团等互联网大厂的实际应用案例
本书介绍了与策略产品经理工作紧密相关的机器学习知识，能够让读者深入理解策略优化的底层逻辑