gitbook/AI技术内参/SUMMARY.md

# SUMMARY

* [简介](./README.md)
* [开篇词 | 你的360度人工智能信息助理](./docs/153.md)
* [001 | 聊聊2017年KDD大会的时间检验奖](./docs/159.md)
* [002 | 精读2017年KDD最佳研究论文](./docs/391.md)
* [003 | 精读2017年KDD最佳应用数据科学论文](./docs/394.md)
* [004 | 精读2017年EMNLP最佳长论文之一](./docs/397.md)
* [005 | 精读2017年EMNLP最佳长论文之二](./docs/658.md)
* [006 | 精读2017年EMNLP最佳短论文](./docs/661.md)
* [007 | 精读2017年ICCV最佳研究论文](./docs/2681.md)
* [008 | 精读2017年ICCV最佳学生论文](./docs/2717.md)
* [009 | 如何将“深度强化学习”应用到视觉问答系统？](./docs/2782.md)
* [010 | 精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？](./docs/2868.md)
* [011 | 精读2017年NIPS最佳研究论文之二：KSD测试如何检验两个分布的异同？](./docs/2941.md)
* [012 | 精读2017年NIPS最佳研究论文之三：如何解决非完美信息博弈问题？](./docs/3211.md)
* [013 | WSDM 2018论文精读：看谷歌团队如何做位置偏差估计](./docs/3946.md)
* [014 | WSDM 2018论文精读：看京东团队如何挖掘商品的替代信息和互补信息](./docs/3961.md)
* [015 | WSDM 2018论文精读：深度学习模型中如何使用上下文信息？](./docs/4024.md)
* [016 | The Web 2018论文精读：如何对商品的图片美感进行建模？](./docs/8106.md)
* [017 | The Web 2018论文精读：如何改进经典的推荐算法BPR？](./docs/8234.md)
* [018 | The Web 2018论文精读：如何从文本中提取高元关系？](./docs/8293.md)
* [019 | SIGIR 2018论文精读：偏差和“流行度”之间的关系](./docs/11367.md)
* [020 | SIGIR 2018论文精读：如何利用对抗学习来增强排序模型的普适性？](./docs/11636.md)
* [021 | SIGIR 2018论文精读：如何对搜索页面上的点击行为进行序列建模？](./docs/11851.md)
* [022 | CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？](./docs/12010.md)
* [023 | CVPR 2018论文精读：如何从整体上对人体进行三维建模？](./docs/12100.md)
* [024 | CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？](./docs/12190.md)
* [025 | ICML 2018论文精读：模型经得起对抗样本的攻击？这或许只是个错觉](./docs/12443.md)
* [026 | ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题](./docs/12648.md)
* [027 | ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？](./docs/12834.md)
* [028 | ACL 2018论文精读：问答系统场景下，如何提出好问题？](./docs/13014.md)
* [029 | ACL 2018论文精读：什么是对话中的前提触发？如何检测？](./docs/13193.md)
* [030 | ACL 2018论文精读：什么是“端到端”的语义哈希？](./docs/13276.md)
* [复盘 7 | 一起来读人工智能国际顶级会议论文](./docs/41364.md)
* [031 | 经典搜索核心算法：TF-IDF及其变种](./docs/822.md)
* [032 | 经典搜索核心算法：BM25及其变种（内附全年目录）](./docs/828.md)
* [033 | 经典搜索核心算法：语言模型及其变种](./docs/830.md)
* [034 | 机器学习排序算法：单点法排序学习](./docs/949.md)
* [035 | 机器学习排序算法：配对法排序学习](./docs/950.md)
* [036 | 机器学习排序算法：列表法排序学习](./docs/952.md)
* [037 | “查询关键字理解”三部曲之分类](./docs/1077.md)
* [038 | “查询关键字理解”三部曲之解析](./docs/1079.md)
* [039 | “查询关键字理解”三部曲之扩展](./docs/1081.md)
* [040 | 搜索系统评测，有哪些基础指标？](./docs/1296.md)
* [041 | 搜索系统评测，有哪些高级指标？](./docs/1299.md)
* [042 | 如何评测搜索系统的在线表现？](./docs/1300.md)
* [043 | 文档理解第一步：文档分类](./docs/1448.md)
* [044 | 文档理解的关键步骤：文档聚类](./docs/1449.md)
* [045 | 文档理解的重要特例：多模文档建模](./docs/1450.md)
* [046 | 大型搜索框架宏观视角：发展、特点及趋势](./docs/1702.md)
* [047 | 多轮打分系统概述](./docs/1762.md)
* [048 | 搜索索引及其相关技术概述](./docs/1821.md)
* [049 | PageRank算法的核心思想是什么？](./docs/1883.md)
* [050 | 经典图算法之HITS](./docs/1938.md)
* [051 | 社区检测算法之“模块最大化 ”](./docs/1940.md)
* [052 | 机器学习排序算法经典模型：RankSVM](./docs/2026.md)
* [053 | 机器学习排序算法经典模型：GBDT](./docs/2052.md)
* [054 | 机器学习排序算法经典模型：LambdaMART](./docs/2099.md)
* [055 | 基于深度学习的搜索算法：深度结构化语义模型](./docs/2297.md)
* [056 | 基于深度学习的搜索算法：卷积结构下的隐含语义模型](./docs/2298.md)
* [057 | 基于深度学习的搜索算法：局部和分布表征下的搜索模型](./docs/2332.md)
* [复盘 1 | 搜索核心技术模块](./docs/3215.md)
* [058 | 简单推荐模型之一：基于流行度的推荐模型](./docs/4090.md)
* [059 | 简单推荐模型之二：基于相似信息的推荐模型](./docs/4212.md)
* [060 | 简单推荐模型之三：基于内容信息的推荐模型](./docs/4278.md)
* [061 | 基于隐变量的模型之一：矩阵分解](./docs/4421.md)
* [062 | 基于隐变量的模型之二：基于回归的矩阵分解](./docs/4484.md)
* [063 | 基于隐变量的模型之三：分解机](./docs/4569.md)
* [064 | 高级推荐模型之一：张量分解模型](./docs/4680.md)
* [065 | 高级推荐模型之二：协同矩阵分解](./docs/4764.md)
* [066 | 高级推荐模型之三：优化复杂目标函数](./docs/4784.md)
* [067 | 推荐的Exploit和Explore算法之一：EE算法综述](./docs/4881.md)
* [068 | 推荐的Exploit和Explore算法之二：UCB算法](./docs/4903.md)
* [069 | 推荐的Exploit和Explore算法之三：汤普森采样算法](./docs/4915.md)
* [070 | 推荐系统评测之一：传统线下评测](./docs/5075.md)
* [071 | 推荐系统评测之二：线上评测](./docs/5117.md)
* [072 | 推荐系统评测之三：无偏差估计](./docs/5221.md)
* [073 | 现代推荐架构剖析之一：基于线下离线计算的推荐架构](./docs/5434.md)
* [074 | 现代推荐架构剖析之二：基于多层搜索架构的推荐系统](./docs/5519.md)
* [075 | 现代推荐架构剖析之三：复杂现代推荐架构漫谈](./docs/5571.md)
* [076 | 基于深度学习的推荐模型之一：受限波兹曼机](./docs/5624.md)
* [077 | 基于深度学习的推荐模型之二：基于RNN的推荐系统](./docs/5646.md)
* [078 | 基于深度学习的推荐模型之三：利用深度学习来扩展推荐系统](./docs/5709.md)
* [复盘 2 | 推荐系统核心技术模块](./docs/5915.md)
* [079 | 广告系统概述](./docs/8601.md)
* [080 | 广告系统架构](./docs/8691.md)
* [081 | 广告回馈预估综述](./docs/8913.md)
* [082 | Google的点击率系统模型](./docs/370.md)
* [083 | Facebook的广告点击率预估模型](./docs/9037.md)
* [084 | 雅虎的广告点击率预估模型](./docs/9069.md)
* [085 | LinkedIn的广告点击率预估模型](./docs/9264.md)
* [086 | Twitter的广告点击率预估模型](./docs/9370.md)
* [087 | 阿里巴巴的广告点击率预估模型](./docs/9488.md)
* [088 | 什么是“基于第二价位的广告竞拍”？](./docs/9695.md)
* [089 | 广告的竞价策略是怎样的？](./docs/9747.md)
* [090 | 如何优化广告的竞价策略？](./docs/9864.md)
* [091 | 如何控制广告预算？](./docs/10029.md)
* [092 | 如何设置广告竞价的底价？](./docs/10147.md)
* [093 | 聊一聊“程序化直接购买”和“广告期货”](./docs/10182.md)
* [094 | 归因模型：如何来衡量广告的有效性](./docs/10360.md)
* [095 | 广告投放如何选择受众？如何扩展受众群？](./docs/10599.md)
* [096 | 如何利用机器学习技术来检测广告欺诈？](./docs/10719.md)
* [复盘 4 | 广告系统核心技术模块](./docs/41115.md)
* [097 | LDA模型的前世今生](./docs/376.md)
* [098 | LDA变种模型知多少](./docs/5998.md)
* [099 | 针对大规模数据，如何优化LDA算法？](./docs/6024.md)
* [100 | 基础文本分析模型之一：隐语义分析](./docs/6190.md)
* [101 | 基础文本分析模型之二：概率隐语义分析](./docs/6274.md)
* [102 | 基础文本分析模型之三：EM算法](./docs/6366.md)
* [103 | 为什么需要Word2Vec算法？](./docs/6430.md)
* [104 | Word2Vec算法有哪些扩展模型？](./docs/6578.md)
* [105 | Word2Vec算法有哪些应用？](./docs/6586.md)
* [106 | 序列建模的深度学习利器：RNN基础架构](./docs/6681.md)
* [107 | 基于门机制的RNN架构：LSTM与GRU](./docs/6840.md)
* [108 | RNN在自然语言处理中有哪些应用场景？](./docs/6925.md)
* [109 | 对话系统之经典的对话模型](./docs/7144.md)
* [110 | 任务型对话系统有哪些技术要点？](./docs/7326.md)
* [111 | 聊天机器人有哪些核心技术要点？](./docs/7423.md)
* [112 | 什么是文档情感分类？](./docs/7649.md)
* [113 | 如何来提取情感“实体”和“方面”呢？](./docs/7757.md)
* [114 | 文本情感分析中如何做意见总结和搜索？](./docs/7954.md)
* [复盘 3 | 自然语言处理及文本处理核心技术模块](./docs/8553.md)
* [115 | 什么是计算机视觉？](./docs/14002.md)
* [116 | 掌握计算机视觉任务的基础模型和操作](./docs/14193.md)
* [117 | 计算机视觉中的特征提取难在哪里？](./docs/14349.md)
* [118 | 基于深度学习的计算机视觉技术（一）：深度神经网络入门](./docs/14574.md)
* [119 | 基于深度学习的计算机视觉技术（二）：基本的深度学习模型](./docs/14853.md)
* [120 | 基于深度学习的计算机视觉技术（三）：深度学习模型的优化](./docs/16938.md)
* [121 | 计算机视觉领域的深度学习模型（一）：AlexNet](./docs/17874.md)
* [122 | 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet](./docs/18126.md)
* [123 | 计算机视觉领域的深度学习模型（三）：ResNet](./docs/22892.md)
* [124 | 计算机视觉高级话题（一）：图像物体识别和分割](./docs/39727.md)
* [125 | 计算机视觉高级话题（二）：视觉问答](./docs/39929.md)
* [126 | 计算机视觉高级话题（三）：产生式模型](./docs/40063.md)
* [复盘 5 | 计算机视觉核心技术模块](./docs/41179.md)
* [127 | 数据科学家基础能力之概率统计](./docs/308.md)
* [128 | 数据科学家基础能力之机器学习](./docs/311.md)
* [129 | 数据科学家基础能力之系统](./docs/316.md)
* [130 | 数据科学家高阶能力之分析产品](./docs/382.md)
* [131 | 数据科学家高阶能力之评估产品](./docs/385.md)
* [132 | 数据科学家高阶能力之如何系统提升产品性能](./docs/388.md)
* [133 | 职场话题：当数据科学家遇见产品团队](./docs/2504.md)
* [134 | 职场话题：数据科学家应聘要具备哪些能力？](./docs/2565.md)
* [135 | 职场话题：聊聊数据科学家的职场规划](./docs/2625.md)
* [136 | 如何组建一个数据科学团队？](./docs/156.md)
* [137 | 数据科学团队养成：电话面试指南](./docs/3261.md)
* [138 | 数据科学团队养成：Onsite面试面面观](./docs/3361.md)
* [139 | 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？](./docs/3614.md)
* [140 | 人工智能领域知识体系更新周期只有5～6年，数据科学家如何培养？](./docs/3744.md)
* [141 | 数据科学家团队组织架构：水平还是垂直，这是个问题](./docs/3909.md)
* [142 | 数据科学家必备套路之一：搜索套路](./docs/10801.md)
* [143 | 数据科学家必备套路之二：推荐套路](./docs/10972.md)
* [144 | 数据科学家必备套路之三：广告套路](./docs/11307.md)
* [145 | 如何做好人工智能项目的管理？](./docs/13471.md)
* [146 | 数据科学团队必备的工程流程三部曲](./docs/13665.md)
* [147 | 数据科学团队怎么选择产品和项目？](./docs/13816.md)
* [148 | 曾经辉煌的雅虎研究院](./docs/379.md)
* [149 | 微软研究院：工业界研究机构的楷模](./docs/40617.md)
* [150 | 聊一聊谷歌特立独行的混合型研究](./docs/40765.md)
* [复盘 6 | 数据科学家与数据科学团队是怎么养成的？](./docs/41257.md)
* [151 | 精读AlphaGo Zero论文](./docs/654.md)
* [152 | 2017人工智能技术发展盘点](./docs/3944.md)
* [153 | 如何快速学习国际顶级学术会议的内容？](./docs/8480.md)
* [154 | 在人工智能领域，如何快速找到学习的切入点？](./docs/40221.md)
* [155 | 人工智能技术选择，该从哪里获得灵感？](./docs/40403.md)
* [156 | 近在咫尺，走进人工智能研究](./docs/40456.md)
* [内参特刊 | 和你聊聊每个人都关心的人工智能热点话题](./docs/2771.md)
* [结束语 | 雄关漫道真如铁，而今迈步从头越](./docs/41595.md)