?
課程信息
本次培訓主要結(jié)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(chǎn)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。
培訓特色
本次培訓主要結(jié)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(chǎn)出過程
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。
課程大綱
?
| 主題 |
內(nèi)容 |
|
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?qū)τ谟脩糍徺I的影響
該單元介紹了如何處理用戶產(chǎn)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(nèi)容相關性計算
（1）商品內(nèi)容表示
（2）評論內(nèi)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(nèi)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(zhì)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?
|
