期中答疑 | AI产品经理热门问题答疑合集

看了一眼评论，我觉得大部分人都陷入了技术思维，我个人认为这个问题应该要从产品经理的视角来思考，从整个产品设计流程来看，模型选择只是其中的一部分，而不是产品经理关注的全部。 1、产品目标：过滤垃圾评论 2、具体需求：通过算法模型来找出垃圾评论，并过滤掉 3、算法（这部分可以与算法同学沟通） （1）定义目标变量：即是否垃圾评论 （2）定义垃圾评论：即什么是垃圾评论，如广告？ （3）算法选型：这个问题本质上是个分类问题，可以通过聚类算法对评论进行分类，找出垃圾评论 （4）确定样本：选定一部分数据，如果是有监督的学习需进行标注，如果是无监督学习则不需要标注，这里要根据算法同学最终选定的模型来定 （5）训练模型 （6）验证模型 4、系统工程侧的开发任务：即模型的运用，模型上线后，工程侧的同学如何通过模型过滤垃圾评论 5、核心指标：即算法最终要达成的目标

1、用聚类算法将海量的评论进行分类； 2、对分类的评论进行标注，是否为垃圾评论； 3、用朴素贝叶斯训练模型。

期待后面的项目，希望能转成功

“产品经理决定做一个事情的出发点，是通过技术来实现业务价值，有时候技术如何做反而不重要” “产品经理需要的是知识的广度，需要打通上下游与横向部门” 这两句话说的深有感触。

首先，业务需求沟通，1）明确垃圾评论的定义、是否有初步的分类想法，是否有关键词规则等；是否有数据标注？判定可容忍的误差范围等。2）过滤后是否需要处置？3）周期有多长？ 其次，明确业务的分类目标和项目周期后，和算法同学进行沟通，就实际数据情况、业务效果预期进行算法设计讨论、例如如果是有标注的二分类问题可以用TextCNN、无标注则考虑用K- Means等，当然文本类数据需要做命名实体识别等处理。同工程化产品研发的同学讨论实际分类后的处置实现，例如如果期望基于某个分类自动回复等。 接着，在算法同学出来算法预研方案后制定产品计划，跟进产品、算法研发进度。 最后，验收模型、产品，发版。

我看到这些算法，和数据挖掘的算法是一样的，让我差点把AI与数据挖掘搞混了。 请问老师，机器学习和数据挖掘的区别是什么呢，都是一样的算法情况下，还有哪些区别？ 望回复

假如，你现在是一家电商平台的产品经理，负责点评系统的产品设计，现在有一个需求是要通过计算将海量评论中的垃圾评论（如，打广告的情况）过滤出来，你会怎么思考和设计产品呢？ 1. 目标：过滤垃圾评论 2. 用算法模型过滤掉垃圾评论 3.实现步骤： （1）定义垃圾评论 （2）数据处理阶段：针对评论文本数据进行处理，进行分词->计算词权重->去掉停用词(https://baike.baidu.com/item/tf-idf/8816134?fr=aladdin) （3）使用朴素贝叶斯分类器，并且进行训练 （4）验证分类模型

首先考虑的是：项目周期是否紧张、相关算法资源是否充足。我假设这里是以节省成本以最优法进行解释： 1、这是一个分类问题 2、可以用我学过的 k-means 算法 进行分类。随意采取几个质心 - 计算每个数据点与质心的距离 -均值作为下一个质心的位置 - 新质心与老质心距离不再变化或小于某一个阈值。结束算法。筛选出文本聚类 选择k-means原因：运算效率高、可解释性强、容易实现、大部分聚类都能解决 3、使用朴素贝叶斯算法（适合垃圾评论分类）-查看了悠悠的评论 选择朴素贝叶碎算法原因：算法资源占用不高、构建模型快。评论属于互相独立性比较高的数据