課程簡介
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(shù)據(jù)挖掘（DM）和機器學習（ML）算法的落地和產出過程，對于在大數(shù)據(jù)處理方面的技巧和變現(xiàn)能力會有很大的提升。
目標收益
對于在大數(shù)據(jù)處理方面的技巧和變現(xiàn)能力會有很大的提升。
培訓對象
課程大綱
|
關聯(lián)規(guī)則（Apriori）算法在實際應用中的優(yōu)化 該單元介紹基本關聯(lián)規(guī)則算法在電商實際訂單數(shù)據(jù)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(yōu)化關聯(lián)規(guī)則模型的過程。 |
1、 傳統(tǒng)關聯(lián)規(guī)則算法 2、“最佳拍檔”中的關聯(lián)規(guī)則 講述了基本的關聯(lián)規(guī)則算法 3、問題發(fā)現(xiàn)與分析 （1）訂單數(shù)據(jù)反作弊 （2）數(shù)據(jù)+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(tǒng) 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(xiàn)，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(lián) 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(jù)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 1、 優(yōu)質用戶挖掘 2、 品牌相似性計算 3、 用戶點擊商品行為建模 4、 用戶新聞興趣建模 5、 長尾query的智能糾錯 |
|
關聯(lián)規(guī)則（Apriori）算法在實際應用中的優(yōu)化 該單元介紹基本關聯(lián)規(guī)則算法在電商實際訂單數(shù)據(jù)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(yōu)化關聯(lián)規(guī)則模型的過程。 1、 傳統(tǒng)關聯(lián)規(guī)則算法 2、“最佳拍檔”中的關聯(lián)規(guī)則 講述了基本的關聯(lián)規(guī)則算法 3、問題發(fā)現(xiàn)與分析 （1）訂單數(shù)據(jù)反作弊 （2）數(shù)據(jù)+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(tǒng) 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(xiàn)，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(lián) 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(jù)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 1、 優(yōu)質用戶挖掘 2、 品牌相似性計算 3、 用戶點擊商品行為建模 4、 用戶新聞興趣建模 5、 長尾query的智能糾錯 |
近期公開課推薦
