搜广推策略产品经理：互联网大厂搜索+广告+推荐案例

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