课程信息
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。
培训特色
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
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。
课程大纲
| 主题 |
内容 |
|
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
|
