当当网:从搜索到发现

717 views

Published on

upload by www.biaodianfu.com

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
717
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
9
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide
  • 07/19/10
  • 当当网:从搜索到发现

    1. 1. 从搜索到发现 王洪涛, 2009-09 07/19/10 —— 推荐技术及其在电子商务中的应用
    2. 2. 主要内容 <ul><li>推荐技术简介 </li></ul><ul><li>主要的算法思想和数据介绍 </li></ul><ul><li>在电子商务中的应用实践 </li></ul><ul><li>总结与招聘广告 </li></ul>
    3. 3. Example
    4. 4. 个性化推荐技术简介 <ul><li>什么是推荐 </li></ul><ul><li>搜索与推荐的区别 </li></ul><ul><li>推荐技术可用于…… </li></ul><ul><ul><li>电子商务、呼叫中心、数字电视、新闻媒体、网络视频 </li></ul></ul><ul><ul><li>精准广告、移动互联网、手机增值服务…… </li></ul></ul><ul><li>业界典型应用案例 </li></ul><ul><ul><li>Amazon.com 、 Netflix.com 、 Last.fm 、 Pandora.com </li></ul></ul><ul><ul><li>douban.com 、 DangDang.com 、 taobao.com </li></ul></ul><ul><ul><li>Aggregateknowledge.com 、 clickchoice.com </li></ul></ul>
    5. 5. 数据、算法和产品——概述 <ul><li>数据 </li></ul><ul><ul><li>订单数据、浏览日志、浏览到购买数据 </li></ul></ul><ul><ul><li>收藏夹、购物车、评分数据 </li></ul></ul><ul><li>算法 </li></ul><ul><ul><li>Item to Item </li></ul></ul><ul><ul><ul><li>Item based Personalized Recommendation </li></ul></ul></ul><ul><ul><li>User to User </li></ul></ul><ul><ul><ul><li>User based Personalized Recommendation </li></ul></ul></ul><ul><ul><li>Content to Content </li></ul></ul><ul><ul><ul><li>Content based matching </li></ul></ul></ul><ul><ul><li>Association Rules </li></ul></ul><ul><ul><ul><li>Classical Data Mining algorithm </li></ul></ul></ul><ul><ul><li>Social Recommendation </li></ul></ul><ul><ul><ul><li>Friends based Personalized Recommendation </li></ul></ul></ul><ul><li>产品 </li></ul><ul><ul><li>Also Buy 、 Also View 、打包购买、相似顾客…… </li></ul></ul><ul><ul><li>浏览推荐、购物推荐( Item Based )、购物推荐( User based )…… </li></ul></ul><ul><ul><li>购物车推荐、收藏夹推荐、个性化邮件…… </li></ul></ul>
    6. 6. 电子商务领域的应用实践 <ul><li>典型应用 </li></ul><ul><ul><li>Cross/Up Sale : also buy 、 also view 、打包购买 </li></ul></ul><ul><ul><li>组合推荐:购物车、收藏夹、订单确认信推荐 </li></ul></ul><ul><ul><li>个性化推荐:根据购物历史、浏览历史推荐、个性化邮件 </li></ul></ul><ul><ul><li>互动:相似顾客推荐 </li></ul></ul>
    7. 7. 个性化推荐
    8. 8. 交叉 / 向上销售
    9. 9. 购物车推荐
    10. 10. 收藏夹推荐
    11. 11. 个性化邮件
    12. 12. 总结 <ul><li>数据、算法与产品设计 </li></ul><ul><ul><li>数据最重要 </li></ul></ul><ul><ul><li>利用 User Feedback 改进算法 </li></ul></ul><ul><ul><li>重视人口统计学因素、即时意图的把握 </li></ul></ul><ul><ul><li>产品的位置与交互非常关键 </li></ul></ul><ul><li>应用前景 </li></ul><ul><ul><li>任何涉及大量选择 & 大量用户交互的场所 </li></ul></ul><ul><ul><ul><li>电子商务、网络社区、手机、数字媒体等 </li></ul></ul></ul><ul><ul><ul><li>线上最容易实施,那么线下呢? </li></ul></ul></ul><ul><li>推荐引擎? </li></ul><ul><ul><li>既然有搜索引擎,是否可以有一个独立的推荐引擎? </li></ul></ul><ul><ul><ul><li>现有的推荐绝大多数都是依托于其他平台的附属应用 </li></ul></ul></ul><ul><ul><ul><li>推荐引擎是否有独立存在的空间和市场需求? </li></ul></ul></ul>
    13. 13. 招聘广告  <ul><li>产品经理 / 高级产品经理(非实习)——关键词 / 行为定向广告系统 </li></ul><ul><ul><li>需要有相关领域 2~3 年工作经验,特别是面向广告客户的商业产品经验 </li></ul></ul><ul><ul><li>投递: [email_address] </li></ul></ul><ul><li>实习生(明年毕业的硕士最佳)——搜索 / 数据挖掘 / 个性化推荐 </li></ul><ul><ul><li>偏算法方向的需要有相关领域的研究、开发经验 </li></ul></ul><ul><ul><li>偏工程方向的则希望工程实战经验多一些 </li></ul></ul><ul><ul><li>对 C/C++ coding 能力均有一定要求 </li></ul></ul><ul><ul><li>投递: [email_address] </li></ul></ul><ul><li>实习生(明年毕业,本 / 硕)—— PHP( 移动互联网 / 广告平台 / 购物频道) </li></ul><ul><ul><li>需要完整的 PHP 开发项目经验 </li></ul></ul><ul><ul><li>对前端 JS/CSS/XHTML 较为熟悉,可手写代码 </li></ul></ul><ul><ul><li>或者对后端的 MySQL/Apache/Nginx 配置较为熟悉 </li></ul></ul><ul><ul><li>投递: [email_address] </li></ul></ul>

    ×