主題 |
授課內容 |
引子 |
本次培訓主要結合電商的實際應用，闡述了自然語言處理（NLP），數據挖掘（DM）和機器學習（ML）算法的落地和產出過程，對于在大數據處理方面的技巧和變現能力會有很大的提升。 |
第一單元
關聯規則（Apriori）算法在實際應用中的優化 |
該單元介紹基本關聯規則算法在電商實際訂單數據中的問題，以及對于問題空間預估保證提升空間的前提下，優化關聯規則模型的過程。 |
1、?傳統關聯規則算法
2、“最佳拍檔”中的關聯規則
講述了基本的關聯規則算法
3、問題發現與分析
（1）訂單數據反作弊
（2）數據+算法融合的角度
（3）badcase實例印證
4、效果空間預估
5、算法改進
6、效果的衡量
（1）上線前：Debug工具
（2）上線：ABtest系統
7、ROI分析
8、案例啟示&下一步嘗試 |
第二單元
商品評論排序對于用戶購買的影響
? |
該單元介紹了如何處理用戶產生的商品評論，將其按照價值由大到小進行排序，評論的價值取決于影響用戶快速決策購買商品的信息量。 |
1、背景介紹
2、評論排序因素
3、內容相關性計算
（1）商品內容表示
（2）評論內容表示
（3）商品和評論的相似性計算
4、排序模型
5、效果評估
（1）測試方法
（2）衡量指標
（3）效果對比及分析
6、作弊與反作弊
7、評論智能排序-ROI分析 |
第三單元
商品“冷啟動” -基于語義主題的新品推薦
? |
該單元以電商商品推薦為例，講述了在沒有用戶行為的情況下，如何將小眾或新上市的商品進行準確的展現，提高用戶體驗的同時帶來更多的流量。 |
1、馬太效應
2、商品的冷啟動
3、基于內容的主題特征抽取
（1）語義主題特征
（2）特征關聯
4、正負樣本形成
5、CTR預估模型
6、效果衡量與分析 |
第四單元
用戶行為分析
? |
根據不同場景的用戶行為，挖掘潛在有價值信息或者用戶意圖。 |
1、商品互補類識別
2、?優質用戶挖掘
3、?品牌相似性計算
4、?用戶點擊商品行為建模
5、?用戶新聞興趣建模
6、?長尾query的智能糾錯? |
