狠狠撸

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

More Related Content

当当网 从搜索到发现

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

Editor's Notes