电商推荐 · 数据挖掘

01电商推荐系统概述

• 发展历程
• 核心价值
• 典型应用场景

推荐系统入门

02数据采集与预处理

• 用户行为日志
• 数据清洗
• 数据标准化

点击·购买·收藏

03探索性数据分析(EDA)

• 行为分布
• 商品流行度
• 交互矩阵可视化

📊 数据洞察

04协同过滤基础

• UserCF原理
• 余弦相似度
• 皮尔逊相关系数

👥 基于用户

05基于物品的协同过滤

• ItemCF原理
• 物品相似度
• 与UserCF对比

📦 物品推荐

06矩阵分解技术

• SVD分解
• FunkSVD
• BiasSVD

🧮 隐语义模型

07交替最小二乘法(ALS)

• ALS原理
• Spark MLlib实现
• 超参数调优

⚡ 分布式矩阵

08基于内容的推荐

• 属性特征提取
• TF-IDF
• 用户画像

📄 内容理解

09关联规则挖掘

• Apriori算法
• 频繁项集
• 购物篮分析

🛒 购物篮

10FP-Growth算法

• FP树构建
• 条件模式基
• 性能对比

🌲 高效挖掘

11基于图的推荐

• PersonalRank
• PageRank应用
• 二部图

🔗 图模型

12深度学习推荐入门

• 协同过滤→神经网络
• Wide & Deep

🤖 深度模型

13DeepFM模型

• FM部分
• Deep部分
• 联合训练

🎯 特征交叉

14注意力机制在推荐中

• AFM
• DIN
• 注意力可视化

👀 注意力

15序列推荐模型

• GRU4Rec
• Session-based
• Next-Item

⏳ 序列预测

16多任务学习在推荐

• ESMM
• MMOE
• 样本权重

🎯 多目标

17特征工程实战

• 数值分桶
• 类别编码
• 交叉特征

⚙️ 特征处理

18推荐系统冷启动

• 用户冷启动
• 物品冷启动
• 系统冷启动

❄️ 冷启动

19召回策略

• 多路召回
• 协同过滤召回
• 双塔模型

🔍 召回

20排序模型

• CTR预估
• CVR预估
• 多目标排序

📈 排序

21重排序与多样性

• MMR算法
• DPP
• 业务规则融合

🎨 多样性

22实时推荐系统

• Flink/Kafka
• 实时特征更新
• 在线学习

⚡ 实时计算

23A/B测试与评估

• 实验设计
• 评估指标
• 显著性检验

📊 评估

24推荐系统架构设计

• 离线层
• 近线层
• 在线层

🏗️ 架构

25用户画像构建

• 基础属性
• 兴趣标签
• 行为序列

👤 画像

26商品知识图谱

• 实体识别
• 关系抽取
• Neo4j应用

🧠 知识图谱

27强化学习在推荐

• MDP建模
• DQN
• EE平衡

🤖 强化学习

28推荐系统可解释性

• LIME/SHAP
• 规则理由生成
• 用户感知设计

🔎 可解释

29推荐系统安全与公平

• 对抗攻击
• 数据偏差消除
• 公平性度量

⚖️ 公平安全

30综合实战项目

• MovieLens/电商
• Pipeline构建
• 召回→排序→评估

🚀 完整项目