引子

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。

第一單元

關(guān)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(guān)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(guān)聯(lián)規(guī)則模型的過程。

1、?傳統(tǒng)關(guān)聯(lián)規(guī)則算法

2、“最佳拍檔”中的關(guān)聯(lián)規(guī)則

講述了基本的關(guān)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(guān)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(guān)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

2、?優(yōu)質(zhì)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?