搜广推策略产品经理——互联网大厂搜索+广告+推荐案例（签名版）

《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必备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。

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

推荐序1

过往接到许多老同事为新书作序的要求，通常不敢答应。原因就是作为一个业内人，不能违背初衷，只说好话不说真话，但说真话容易得罪人，还不如不写。然而当修建找到我时，我毫不犹豫地答应了下来。

距离上一次与他见面已过去多年，在我的印象里，他还是那个刚刚毕业，面露羞涩的青年才俊，也记得他向公司请求离开，坚定地要去海外留学，学习AI和机器学习的决心。他认为未来的产品经理一定要懂数据、懂算法，单纯画原型、懂用户已经不能满足新时代对于产品经理的能力要求。我非常认同他的想法，也鼓励他去海外开阔眼界、拓展思维，但内心深处极度惋惜，他在公司业务蒸蒸日上的最好时刻离开，使公司损失了一个极具发展潜力的人才。

最近几年，我帮助很多企业进入到数字化转型的大潮之中。对于很多企业来说，在转型过程中，最难的部分其实是无法真正理解数字化的意义和内涵。但是一些有远见的企业家，在看到数字化比较成功的企业取得不错的成绩后，即便没有完全理解数字化，也选择快速跟进。在数字化转型初期，多数企业在完成数字底座、业务上云等一系列企业数字化基础设施建设后，都陷入了同样的困局—如何创造实际的业务价值？如何实现第二曲线？其实，数字化的本质是变革，最终要利用数据重构新的生产要素或者升级商业模式，构建下一代的数字化作战能力，从而形成行业内独特的核心竞争力。

这本书就是讲解在特定场景下(尤其是搜索、广告和推荐场景)的商业模型重构方式，作者进行了深度的拆解和剖析，包括新的组织形态、新的生产方式和生产工具等。虽然这是一本写给产品经理的书，但是对于企业数字化转型，仍然可以给予很多方向性的战略指导和落地性的执行方案。如何帮助企业从0到1建设推荐系统和搜索引擎？如何针对企业现有的推荐系统和搜索引擎进行智能化重塑？我相信你都可以从这本书里找到答案。

我和修建相处共事的时间其实并不长，但是他给我留下了极其深刻的印象。他是一个意志坚定、追求完美的人，因此我相信他认定了方向，必将耗尽心血、苦心钻研。修建从开始工作到现在，所追求的职业方向未曾改变，为了寻求职业发展，他在工作期间不断深造且持续学习。我相信书中内容必定是他的真知灼见。强烈推荐大家阅读此书，必定有所收获。

王志远

安永大中华区数字化与新兴科技主管合伙人

推荐序2

初识修建，是在2014年的冬天。那时他即将大学毕业，已经拿到了某大型国企的offer，想在毕业前再实习一段时间赚点毕业旅行费(最后他的毕业旅行也没花多少钱，独自一人骑行几千公里，穿越了祖国大半河山)，于是这一次长达半小时的面试开启了我们俩志同道合的十年，以及未来的几十年。

我们在很多个赛道一起打拼过，回过头看，虽然没成为“被吹上天的猪”，但我们都顺应正确的趋势，做了正确的事情，持续积累和学习。2015年，我们赶上了“人人都是产品经理”的互联网金融时代。2019年，我们也踏上了AI的列车，通过亲身实践，体验到从创新技术到行业应用落地的不易。如今我们在各自的领域继续狂奔，纵使在不同的空间，享受着不同的节奏，我们还是会经常分享经验、碰撞思维。

感谢修建邀请我为他的这本专业性极强的书写序，我尝试结合过往帮助诸多机构开展数字化转型规划和落地的实践谈谈我对搜索、广告、推荐策略产品实践的理解。

我们已经深陷数字化时代，用户的习惯、用户的认知、用户的行为都发生了翻天覆地的变化，企业想要获得长远发展，必须要走数字化的道路。数字化是什么？我称它是一场分辨率的革命。我们利用数据和技术不断放大对事物的观测颗粒度，视角越来越精细，且以极致为目标。所以这个革命的过程，背后是大量的策略应用，是企业用数据、技术重塑管理基因的过程。如果我们用火箭来类比数字化，那么策略是动力系统，以数据为燃料；技术平台及工具是结构系统，设计决定效率；量化的评价体系是控制系统，管理有据可依。只有这些要素齐备，企业的数字化才有可能在正确的轨道上飞速前进。

所有面向C端消费者的企业，经营核心都是要解决目标用户触达精准度和触达效率的问题，本质是让企业花更少的成本，实现更多的产出(用户数、收入、利润等)。我们通过搜索、广告、推荐等不同的用户触达形式，来追求客户经营的极致投产比，向客户提供更精准的内容、更个性化的服务、更高时效的反馈。用户触达既可以依托专家经验，也可以基于AI智能，唯效果是衡量标准。

在这套运转机制背后，有一个各工种人才高度协同的策略团队。我看到很多数字化进程中的企业被这样一个团队驱动着向前，这个团队就像企业的发动机，推动着企业实现更高的经营效能。企业的数字化是不断挑战自身及行业过往成绩的过程，正是这种“内卷”让我们不曾预见的创新不断发生，让我们不曾预见的未来正在到来。

见微知著，行将致远，我想这是本书可以带给你的启迪。

沈晔

暖哇科技数字化咨询总监，前第四范式解决方案总监

本书的创作由来

大部分书籍都是特定时代下的产物，本书也不例外。

我在研究生毕业后到第四范式为企业做AI咨询，当时基本上所有企业都希望通过AI技术来降本增效。随着移动互联网流量红利的逐渐消退，很多企业的C端(消费者端)用户流量已经见顶，它们需要针对现有流量进行更加精细化的运营，提升现有流量的变现和转化效率，实现企业下一个阶段的持续性增长。同时企业的人力成本不断上升，这些企业又希望用AI来替代人工，降低企业的人力成本。所以当时大量的咨询是与推荐系统、搜索引擎、智能定价和销量预测有关的。

当我因为工作需要希望深入学习推荐系统和搜索引擎相关知识时，发现市面上关于搜索引擎的专业书籍少之又少，关于推荐系统的书籍虽然很多但基本上都是写给技术人员看的，书的内容偏重底层技术，和实际业务存在非常大的差别，对于非技术类的工作人员来说阅读起来比较困难，即使阅读完以后也不知道如何在自己的工作中运用。当时自己就希望市场上可以有一本面向非技术人员介绍快速搭建推荐系统和搜索引擎，并能结合行业先进案例来进行持续迭代优化的书籍。

后来我来到互联网公司做商业化广告策略，发现有专门的策略产品经理岗位来负责各个场景的策略优化。对应的岗位有推荐策略产品经理、搜索策略产品经理、广告策略产品经理和反欺诈策略产品经理等。大厂(大型互联网公司)设置这么多细分策略产品经理岗位，也是因为大厂面临着我之前做咨询服务时那些B端企业面临的问题，即如何借助AI技术来实现降本增效。虽然岗位是策略产品经理，但实际工作中很多时候扮演着需求的对接人和项目经理的角色，因为很多策略产品经理本身对于机器学习和AI技术并不是很了解，和算法工程师的沟通只能浮于表面，完全没法参与到整个策略优化当中，并没有发挥出策略产品经理的核心价值。

现在“人人都是产品经理”的时代已经过去了，只懂竞品调研、懂用户分析、会画产品原型的产品经理已无法满足市场需求。AI时代的产品经理需要懂数据，更需要懂策略优化。未来大量的C端产品经理和功能型产品经理需要兼具策略制定和策略优化的能力。这两年市场上对于策略产品经理的需求越来越大，大厂希望招聘有专业技术背景和算法基础并能够主导策略优化的专业产品经理。中小厂(中小型互联网公司)希望招聘有大厂策略优化经验并能进行各类场景策略构建的经验丰富的策略产品经理。相关岗位越来越多，但是专业人才极度匮乏。目前市面上关于策略产品经理的书籍很少，没有一本结合大厂落地案例进行策略优化的书籍，也没有一本可以全面覆盖三大主流策略场景—“搜索、广告、推荐”的书籍。

从2020年开始，我就一直在网上发表关于机器学习、推荐系统和搜索引擎的文章，2021年年初，知乎官方编辑找我合作出版一本面向非技术人员科普AI的书籍，当时我觉得自己才疏学浅，很难胜任，而且自己也没有那么充足的动力去写一本几十万字的书。一年半以后，2022 年9 月，清华大学出版社的编辑邀请我写一本策略产品经理方面的书籍，此时的我已经积累了较多的行业经验，经过几天思考我就答应了。我决定用一年的时间来对自己过往经验进行总结，写作一本关于搜索、广告、推荐策略的书籍。既然市场上没有，那么就自己来填补这方面的空白吧。

为什么我可以撰写本书？首先我研究生的专业是数据科学(data science)，主修机器学习，并以优异成绩毕业。虽然我现在主要做产品策略工作，但之前也做过算法工作，对于工作中常见的算法自己大部分都实践过。研究生毕业回国后，我的第一份工作是以AI 解决方案专家的身份帮助多家大型零售企业从0 到1 搭建推荐系统和搜索引擎，从中积累了大量的实战经验。我的第二份工作是在互联网行业做商业化广告，将自己之前的搜索、推荐经验结合到广告业务中，同时积累了大量商业化的经验。至此，关于“搜广推”三大场景我全部实践过，有着丰富的策略设计和后续策略优化经验。本书通过通俗易懂的语言和生动形象的案例为大家介绍底层的AI 技术，让大家在工作中和算法工程师的沟通更加顺畅。同时本书还介绍了先进的策略体系和优化经验，为大家后续工作中的持续迭代优化提供指导性建议。

自2022 年10 月1 日正式动笔到成稿大约用了一年时间，在这一年时间里，几乎所有的节假日和下班后的时间我都在不停地思考、学习和创作，这期间也对自己的策略体系和知识进行了重塑和迭代。为了向读者分享更多行业前沿的技术应用和实际落地案例，我咨询了多家互联网大厂的专业人士，也阅读了大量文章。创作的过程也是倒逼自己成长的过程。如果本书可以对读者的工作或者求职有所帮助，那么这些付出都是值得的。

希望本书可以成为当今时代产品经理的策略锦囊。

本书的特色

这不是一本教材，这是一本兼具AI 技术理论和行业策略优化实践的工具书。在AI 技术理论方面，本书只介绍和工作紧密相关的机器学习知识，旨在让读者更加深入理解策略优化的底层逻辑。我一直认为一个优秀的策略产品经理必须要懂常见算法的数学逻辑和机器学习建模的全流程。本书通俗易懂地介绍了策略产品经理日常和算法工程师沟通时所需要知道的基本技术术语和常见算法，确保读者可以理解并可以与算法工程师进行无障碍沟通。本书同时介绍了一些行业前沿技术，让大家拥有更加宽阔的视野。

在策略优化实践方面，本书全面介绍了市面上三大主流策略产品经理——搜索、广告和推荐策略产品经理的日常工作内容，针对搜索引擎、广告系统和推荐系统的各个模块进行了非常详尽的介绍，同时结合阿里、京东、字节和美团等互联网大厂实际应用案例进行讲解。

我本身具有算法背景，所以对AI 技术的底层逻辑十分熟悉。之前从事咨询工作时，经常为完全不懂算法的甲方讲解各类模型的构建，从业务的角度出发确保不同背景的人都可以听懂并理解。因此，本书关于技术的部分全部采用通俗易懂的语言和生动形象的案例进行讲解，确保毫无技术背景的读者也可以读懂并且理解。

本书的核心内容

本书的核心内容包括6 章。

● 第1 章：介绍AI 时代对产品经理的新要求、策略产品经理需要做什么工作、相关工作职责和能力要求，结合目前互联网大厂内部实际部门设置和工作内容进行说明。

● 第2 章：通俗易懂地介绍了策略产品经理应该了解的机器学习基本知识，讲解了机器学习全流程建模以及互联网行业常用的机器学习经典算法，如决策树、逻辑回归、贝叶斯定理等。

● 第3 章：介绍市面上三大主流策略方向中的推荐策略，基于推荐系统的架构、召回、粗排、精排、重排、样式、创意等模块全面介绍先进的推荐系统架构和推荐系统优化策略，同时结合淘宝推荐进行实战讲解。

● 第4 章：介绍市面上三大主流策略方向中的搜索策略，基于搜索引擎的架构、查询处理器、意图识别、召回、粗排、精排、样式、创意等模块全面介绍先进的搜索引擎架构和搜索引擎优化策略，同时结合阿里云开放搜索(open search) 进行实战讲解。

● 第5 章：介绍市面上三大主流策略方向中的广告策略，基于广告的基础知识、投放、流量、计费、出价、归因、创意等模块全面介绍先进的广告投放、流量分发、智能出价和智能创意策略等，同时结合阿里妈妈和京东京准通产品线进行实战讲解。

● 第6 章： 介绍目前工业界应用的一些前沿技术， 比如强化学习(ChatGPT 和AlphaGo 使用的技术)、联邦学习、隐私计算和边缘计算等，通过前沿技术去解决实际业务中的问题，拓宽视野。

6 章内容循序渐进，建议读者从第1 章开始阅读，因为后续章节的很多内容在前面章节进行了铺垫，前面章节介绍过的很多通用策略和方法在后续章节也不再赘述。

本书面向的读者

● 已经在大厂从事策略产品经理工作，希望深入了解AI 底层技术和系统化学习策略知识的人士；

● 在中小厂从事策略产品经理工作，希望了解先进“搜广推”系统和策略优化方法的人士；

● 从事其他产品经理工作，但希望了解更多AI 技术和策略知识，未来想从事策略产品经理工作的人士；

● 从事数据分析、商业化分析等工作，已经具备一定的数据分析能力，希望以后转向策略方向的人士；

● 从事数据智能化转型咨询工作，希望了解先进的推荐系统和搜索引擎的设计方法从而更好地为甲方提供解决方案的人士；

● 从事“搜广推”算法相关工作，希望更多地了解业务，从业务视角出发进行算法优化的算法工程师；

● 目前在校，未来希望从事策略产品经理工作，想要为职业生涯做好规划的学生；

● 任何对策略产品经理工作和AI 产品经理工作感兴趣的人士。

勘误与支持

本书涉及面非常广泛，同时我本人知识和经验有限，虽然我在撰写各个板块时都请教了行业资深人士，但书中仍然难免会有一些不够准确的地方。如果读者发现书中有任何不足或不严谨的地方，或者有任何宝贵意见，欢迎发送邮件到邮箱[email protected]进行反馈，您的宝贵意见将促使我不断完善本书，谢谢大家的支持。

2023 年10 月31 日

推荐语

(以下排名按照姓氏拼音顺序排序，排名不分先后)

Datawhale｜国内领先的AI开源组织

本书通过通俗易懂的语言和生动形象的案例向读者科普前沿AI知识以及搜广推产品技术体系。对于产品经理来说，阅读完本书，可以快速熟悉搜广推的业务场景以及关键技术，书中涉及的算法以通俗易懂的方式呈现，适合没有太多算法经验的产品经理了解基本原理，提升产品经理与算法工程师的沟通效率；在后续工作中，还可以把本书当作一本工具书用于查询。对于算法工程师来说，阅读完本书，可以获得大量产品视角的策略优化方案，能够让技术和策略迭代更加贴近用户和业务视角。总体来说，本书干货满满，值得搜广推产品经理和算法工程师阅读。

范朝盛｜京东广告资深算法专家

本书是一本针对搜广推产品经理的技术类书籍。作者从产品经理的视角出发，深入阐述了搜广推的经典产品理念和技术体系，并介绍了前沿的强化学习和隐私计算等技术的重点内容。本书内容丰富且实用，通过阅读本书，读者能够提高对搜广推的整体认识，深入对比学习三个领域的相同点和不同点。强烈推荐广大策略产品经理深入阅读本书。

李彪｜快手推荐算法总监

随着互联网进入存量阶段，为了提升用户体验，企业需要更细致地打磨产品策略，策略产品经理的角色也越来越重要。作为策略产品经理，深入且全面地理解搜索、广告、推荐算法系统极其必要，但难度很大。本书深入浅出地介绍各种算法，辅之以生动形象的实例，有助于读者理解内容。另外，本书内容覆盖搜广推的核心策略系统，并介绍了不同系统之间的差异。更难能可贵的是，本书的算法策略都来自各大互联网公司，有很强的实用性。理论联系实践，如此佳作，值得阅读。

吕晶晶｜京东广告算法总监

本书是一本难得的面向策略优化实践的工具书 ，其最大特色是从实际应用的角度出发，系统性地介绍了搜广推各个核心环节以及相关知识点，并结合一些主流App场景，用大量翔实的案例帮助读者快速了解搜广推系统的基础知识，同时聚焦于策略产品经理的实际工作内容以及经常遇到的难题，给出相应的解法。本书非常适合策略产品经理阅读，也是互联网搜广推一线工程师不可错过的一本好书。

王红川｜第四范式泛零售解决方案事业部总经理

搜索、推荐及策略数字化的能力不仅适用于头部互联网大厂，同样适用于to B 市场。金融、零售等泛零售行业依然存在围绕私域流量经营，提升广义的“人”—“货”—“场”等生产要素精细化效率匹配的诉求，推荐、搜索及策略数字化能力可以帮助B 端企业不断优化个性化C 端体验、提升流量变现能力、增强数据运营赋能、提高运营效率等，这也是泛零售企业数字化的一个分支。本书作者基于亲身实践，深入浅出地讲述了AI 时代产品经理的见解、AI 算法基础知识、搜索系统及实践、广告策略及实践、推荐系统及实践和前沿大模型，内容丰富精彩，理论和实践相结合，对于B 端相关从业者或企业内部相关从业者来说，本书是不可多得的佳作。

吴吉｜字节巨量千川流量策略负责人

伴随着搜广推场景在国内外的快速发展，以及大语言模型LLM 的实际落地应用，基于具体业务场景需求来设计相应模型策略的能力逐渐成为当下市场产品经理的标配。本书涵盖市面上主流的策略产品方向，是少有的同时包含搜索、广告和推荐3 个场景策略内容的书籍。本书通过介绍各家互联网大厂在搜广推场景中的实际应用案例，将用户体验、业务需求等拆解为具体的策略逻辑。读者阅读本书，不仅可以了解行业先进的策略应用案例，也可以了解具体策略的底层设计逻辑，从而在实际业务场景中快速复制并应用所学知识。不管是否从事相关工作，这本书都值得一读，可以帮助广大读者完善策略产品知识体系。

朱晗｜阿里妈妈资深广告算法专家

当代互联网的搜索、广告和推荐服务，在许多方面提高了我们获取信息的效率，并在持续塑造新的信息消费模式。本书深入浅出地讲解互联网业务策略，超越了单纯面向策略产品的定位，涵盖从产品策略到算法技术再到业务实践的全方位内容，堪称“互联网主流业务领域的百科全书”。作者在书中用平实的语言巧妙地解读了复杂的算法原理，让互联网服务中信息匹配的底层逻辑变得易于理解，其深厚的专业背景和丰富的实践经验令人印象深刻。相信无论是该领域的新人还是资深人士，都能通过阅读本书增进对相关业务的理解，获得更多的灵感与启示。

周兴｜字节巨量千川流量技术负责人

互联网行业变化迅速，新的商业模式和创新产品如雨后春笋般层出不穷。在当今数字化和技术驱动的商业环境中，产品经理不仅需要具备敏锐的商业嗅觉，同时也需要了解更多底层的策略机制，从而推动产品的迭代更新。本书作为一本介绍搜广推三大核心场景策略设计的书籍，通过业务、产品和技术视角深度剖析各场景下的产品和流量分发机制设计，深度解读如何通过策略来驱动业务发展和提升用户体验。建议从事搜广推相关工作的人员将这本书作为常备工具书，常看常新。

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　策略产品经理必备机器学习知识

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