数据挖掘与推荐系统算法工程师

项目1：商品购买预测

项目简介：

信息流是信息获取的重要场景，也是商业化变现的重要方式之一。通过推荐系统可以使用户的粘性增强，浏览更多页面及更多浏览时间。同时可以根据用户浏览的内容及用户行为，预测该用户对其它Item的喜欢程度，即“猜你喜欢”。在商业化上，信息流广告可以帮网站提升收益，包括对CTR/CVR进行预估，智能投放，还可以基于用户的购买行为对商品复购率进行预测等。该项目通过品牌商家的历史订单数据，经过一系列的数据分析、特征提取构建一个预测模型，预估用户人群在规定时间内产生购买行为的概率。

项目目标：

该项目模型可应用于各种电商数据分析，以及阿里电商开放平台，不仅可以帮助商家基于平台流量进行商品售卖、支付，还可以通过MarTech技术更精准地锁定核心用户，对用户的购买行为进行预测。

使用到的核心技术：

Apriori、FPGrowth、ALS、FunkSVD、BiasSVD、SVD++、UserCF、ItemCF、FM、FFM、NFM、DeepFM、GBDT+LR、Wide & Deep、CTR、DIN、DIEN、DSIN

数据集：

MarTech Challenge Track1 用户购买预测数据集

使用场景：

购买预测，推荐系统，猜你喜欢，CTR/CVR预估

week1 商业智能与推荐系统

1、商业智能的场景及工具
2、信息流产品介绍（推荐架构、广告、搜索的关系）
3、常用的推荐系统算法有哪些
4、冷启动与E&E问题

week2 挖掘数据中的关联规则

1、Target预测高中生怀孕
2、Apriori算法、FPGrowth算法
3、最小值尺度，最小置信度该如何确定
4、超市购物小票的关联分析
5、挖掘电影分类中的关联规则
6、挖掘电影中的演员关联规则

week3 推荐系统眼中的你—用户画像

1、设计用户画像的准则
2、无监督的聚类算法
3、利用标签来做推荐
4、推荐系统中的准确率，召回率，精确率，F值

week4 ALS算法与推荐系统

1、矩阵分解ALS算法
2、Spark中的ALS工具
3、Surprise推荐系统工具使用
4、Netflix电影评分预测（48万用户，1.7万电影，1亿电影评分）

week5 SVD矩阵分解与基于内容的推荐

1、矩阵分解SVD算法（FunkSVD，BiasSVD，SVD++）
2、基于邻域的推荐算法UserCF，ItemCF
3、基于邻域的协同过滤算法
4、预测用户对电影的评分

week6 因子分解机

1、算法：FM，FFM，DeepFM
2、工具：libFM，xLearn
3、矩阵分解与FM的关系
4、广告点击率预测

week7 CTR预估算法

1、GBDT+LR模型
2、Wide & Deep模型
3、NFM模型
4、CTR预估

week8 淘宝定向广告演化

1、定向广告DNN Base Model
2、Attention原理
3、深度兴趣网络DIN
4、DIN的工程化（评价指标，Dice函数，MBA-Reg正则）
5、深度兴趣进化网络DIEN
6、DIEN的工程化（辅助损失函数）
7、深度会话兴趣网络DSIN
8、天猫用户复购预测

项目2：资金流入流出预测

项目3：智慧物流：订单配送规划