课程简介
本次培训主要结合电商的实际应用，阐述了自然语言处理（NLP），数据挖掘（DM）和机器学习（ML）算法的落地和产出过程，对于在大数据处理方面的技巧和变现能力会有很大的提升。
目标收益
对于在大数据处理方面的技巧和变现能力会有很大的提升。
培训对象
课程大纲
|
关联规则（Apriori）算法在实际应用中的优化 该单元介绍基本关联规则算法在电商实际订单数据中的问题，以及对于问题空间预估保证提升空间的前提下，优化关联规则模型的过程。 |
1、 传统关联规则算法 2、“最佳拍档”中的关联规则 讲述了基本的关联规则算法 3、问题发现与分析 （1）订单数据反作弊 （2）数据+算法融合的角度 （3）badcase实例印证 4、效果空间预估 5、算法改进 6、效果的衡量 （1）上线前：Debug工具 （2）上线：ABtest系统 7、ROI分析 8、案例启示&下一步尝试 |
|
第二单元 商品评论排序对于用户购买的影响 该单元介绍了如何处理用户产生的商品评论，将其按照价值由大到小进行排序，评论的价值取决于影响用户快速决策购买商品的信息量。 |
1、背景介绍 2、评论排序因素 3、内容相关性计算 （1）商品内容表示 （2）评论内容表示 （3）商品和评论的相似性计算 4、排序模型 5、效果评估 （1）测试方法 （2）衡量指标 （3）效果对比及分析 6、作弊与反作弊 7、评论智能排序-ROI分析 |
|
第三单元 商品“冷启动” -基于语义主题的新品推荐 该单元以电商商品推荐为例，讲述了在没有用户行为的情况下，如何将小众或新上市的商品进行准确的展现，提高用户体验的同时带来更多的流量。 |
1、马太效应 2、商品的冷启动 3、基于内容的主题特征抽取 （1）语义主题特征 （2）特征关联 4、正负样本形成 5、CTR预估模型 6、效果衡量与分析 |
|
第四单元 用户行为分析 根据不同场景的用户行为，挖掘潜在有价值信息或者用户意图。 |
1、商品互补类识别 1、 优质用户挖掘 2、 品牌相似性计算 3、 用户点击商品行为建模 4、 用户新闻兴趣建模 5、 长尾query的智能纠错 |
|
关联规则（Apriori）算法在实际应用中的优化 该单元介绍基本关联规则算法在电商实际订单数据中的问题，以及对于问题空间预估保证提升空间的前提下，优化关联规则模型的过程。 1、 传统关联规则算法 2、“最佳拍档”中的关联规则 讲述了基本的关联规则算法 3、问题发现与分析 （1）订单数据反作弊 （2）数据+算法融合的角度 （3）badcase实例印证 4、效果空间预估 5、算法改进 6、效果的衡量 （1）上线前：Debug工具 （2）上线：ABtest系统 7、ROI分析 8、案例启示&下一步尝试 |
|
第二单元 商品评论排序对于用户购买的影响 该单元介绍了如何处理用户产生的商品评论，将其按照价值由大到小进行排序，评论的价值取决于影响用户快速决策购买商品的信息量。 1、背景介绍 2、评论排序因素 3、内容相关性计算 （1）商品内容表示 （2）评论内容表示 （3）商品和评论的相似性计算 4、排序模型 5、效果评估 （1）测试方法 （2）衡量指标 （3）效果对比及分析 6、作弊与反作弊 7、评论智能排序-ROI分析 |
|
第三单元 商品“冷启动” -基于语义主题的新品推荐 该单元以电商商品推荐为例，讲述了在没有用户行为的情况下，如何将小众或新上市的商品进行准确的展现，提高用户体验的同时带来更多的流量。 1、马太效应 2、商品的冷启动 3、基于内容的主题特征抽取 （1）语义主题特征 （2）特征关联 4、正负样本形成 5、CTR预估模型 6、效果衡量与分析 |
|
第四单元 用户行为分析 根据不同场景的用户行为，挖掘潜在有价值信息或者用户意图。 1、商品互补类识别 1、 优质用户挖掘 2、 品牌相似性计算 3、 用户点击商品行为建模 4、 用户新闻兴趣建模 5、 长尾query的智能纠错 |
近期公开课推荐