基于Spark的FPGrowth（关联规则算法）

在推荐中，关联规则推荐使用的比较频繁，毕竟是通过概率来预测的，易于理解且准确度比较高，不过有一个缺点为，想要覆盖推荐物品的数量，就要降低支持度与置信度。过高的支持度与置信度会导致物品覆盖不过，这里需要其他的推荐方法合作，建议使用基于Spark的模型推荐算法（矩阵分解+ALS）.

一FPGrowth算法描述：

FPGrowth算法

概念：支持度，置信度，提升度(Spark好像没有计算这个的函数，需要自己计算)
列子：假如10000个消费者购买了商品，尿布1000个，啤酒2000个，面包500个，同时购买了尿布和啤酒800个，同时购买了尿布和面包100个。
1)支持度：在所有项集中出现的可能性，项集同时含有，x与y的概率。是第一道门槛，衡量量是多少，可以理解为‘出镜率’，一般会支持初始值过滤掉低的规则。
尿布和啤酒的支持度为：800/10000=8%
2)置信度：在X发生的条件下，Y发生的概率。这是第二道门槛，衡量的是质量，设置最小的置信度筛选可靠的规则。
尿布-》啤酒的置信度为:800/1000=80%，啤酒-》尿布的置信度为：800/2000=40%
3)提升度：在含有x条件下同时含有Y的可能性（x->y的置信度）比没有x这个条件下含有Y的可能性之比：confidence(尿布=> 啤酒)/概率(啤酒)) = 80%/((2000+800)/10000) 。如果提升度=1，那就是没啥关系这两个。
通过支持度和置信度可以得出强关联关系，通过提升的，可判别有效的强关联关系。

2 FPGrowth特点

1）产生候选集，2）只需要两次遍历数据库，提高效率。
再举个我们这里的列子，列如时间的原因是，使用最近的行为训练规则，太久的行为没有意义
样本如下：
列子：用户，时间，消费的漫画
u1,20160925,成都1995,seven,神兽退散。
u2,20160925,成都1995,seven,six。
u1,20160922，成都1995，恶魔日记

比如产生了如下规则：
规则：成都1995，seven->神兽退散
这条规则：
成都1995，seven的支持度2/3
成都1995，seven-》神兽退散，的置信度1/2
这里打个广告哈，成都1995,seven,神兽退散（漫画）比较真的比较好看，成都1995也要拍网剧了哈！！
关联规则主要的难道在于频繁项集的筛选，apriori算法就是一个一个组合的，如果item数量很多，那么太慢了，FPGrowth算法速度比较快。
我本身对FPGowth的树形结构产生频繁项集不是特别了解，以后可以研究下哈，核心点就是通过头树和树减少遍历次数吧
3
算法
输入：参数,样本
输出：规则
FPGrowth参考资料
参考资料
http://www.cnblogs.com/zhangchaoyang/articles/2198946.html

二Spark代码实现（修改了一下Spark的列子）

//数据样本：r z h k pz y x w v u t ss x o n rx z y m t s q ezx z y r q t p

package org.wq.scala.mlimport org.apache.spark.mllib.fpm.FPGrowthimport org.apache.spark.{SparkConf, SparkContext}/**  * Created by Administrator on 2016/10/24.  */object FP_GrowthTest {  def main(args:Array[String]){    val conf = new SparkConf().setAppName("FPGrowthTest").setMaster("local").set("spark.sql.warehouse.dir","E:/ideaWorkspace/ScalaSparkMl/spark-warehouse")    val sc = new SparkContext(conf)    //设置参数    //最小支持度    val minSupport=0.2    //最小置信度    val minConfidence=0.8    //数据分区    val numPartitions=2    //取出数据    val data = sc.textFile("data/mllib/sample_fpgrowth.txt")    //把数据通过空格分割    val transactions=data.map(x=>x.split(" "))    transactions.cache()    //创建一个FPGrowth的算法实列    val fpg = new FPGrowth()    //设置训练时候的最小支持度和数据分区    fpg.setMinSupport(minSupport)    fpg.setNumPartitions(numPartitions)    //把数据带入算法中    val model = fpg.run(transactions)    //查看所有的频繁项集，并且列出它出现的次数    model.freqItemsets.collect().foreach(itemset=>{     println( itemset.items.mkString("[", ",", "]")+","+itemset.freq)    })    //通过置信度筛选出推荐规则则    //antecedent表示前项    //consequent表示后项    //confidence表示规则的置信度    //这里可以把规则写入到Mysql数据库中，以后使用来做推荐    //如果规则过多就把规则写入redis，这里就可以直接从内存中读取了，我选择的方式是写入Mysql，然后再把推荐清单写入redis    model.generateAssociationRules(minConfidence).collect().foreach(rule=>{       println(rule.antecedent.mkString(",")+"-->"+        rule.consequent.mkString(",")+"-->"+ rule.confidence)    })    //查看规则生成的数量    println(model.generateAssociationRules(minConfidence).collect().length)    //并且所有的规则产生的推荐，后项只有1个，相同的前项产生不同的推荐结果是不同的行    //不同的规则可能会产生同一个推荐结果，所以样本数据过规则的时候需要去重  }}

上面规则是本地运行的，部署的话需要改下哈，代码如下

package org.wq.scala.mlimport org.apache.spark.mllib.fpm.FPGrowthimport org.apache.spark.{SparkConf, SparkContext}/**  * Created by Administrator on 2016/10/24.  */object FP_Growth {  def main(args:Array[String]){    if(args.length!=4){      println("请输入4个参数 购物篮数据路径 最小支持度 最小置信度 数据分区")      System.exit(0)    }    val conf = new SparkConf().setAppName("FPGrowthTest")    val sc = new SparkContext(conf)    val data_path=args(0)    //设置参数    //最小支持度    val minSupport=args(1).toDouble    //最小置信度    val minConfidence=args(2).toDouble    //数据分区    val numPartitions=args(3).toInt    //取出数据    val data = sc.textFile(data_path)    //把数据通过空格分割    val transactions=data.map(x=>x.split(" "))    transactions.cache()    //创建一个FPGrowth的算法实列    val fpg = new FPGrowth()    //设置训练时候的最小支持度和数据分区    fpg.setMinSupport(minSupport)    fpg.setNumPartitions(numPartitions)    //把数据带入算法中    val model = fpg.run(transactions)    //查看所有的频繁项集，并且列出它出现的次数    model.freqItemsets.collect().foreach(itemset=>{     println( itemset.items.mkString("[", ",", "]")+","+itemset.freq)    })    //通过置信度筛选出推荐规则则    //antecedent表示前项    //consequent表示后项    //confidence表示规则的置信度    //这里可以把规则写入到Mysql数据库中，以后使用来做推荐    //如果规则过多就把规则写入redis，这里就可以直接从内存中读取了，我选择的方式是写入Mysql，然后再把推荐清单写入redis    model.generateAssociationRules(minConfidence).collect().foreach(rule=>{       println(rule.antecedent.mkString(",")+"-->"+        rule.consequent.mkString(",")+"-->"+ rule.confidence)    })    //查看规则生成的数量    println(model.generateAssociationRules(minConfidence).collect().length)    //并且所有的规则产生的推荐，后项只有1个，相同的前项产生不同的推荐结果是不同的行    //不同的规则可能会产生同一个推荐结果，所以样本数据过规则的时候需要去重  }}

三提交部署

上传jar与数据到主节点

#然后把数据文件scp到各个节点cd /home/jar/datascp sample_fpgrowth.txt spark@slave1:/home/jar/data/scp sample_fpgrowth.txt spark@slave2:/home/jar/data/

然后提交给spark集群运行
数据目录：/home/jar/data
jar目录：/home/jar
模型目录：/home/jar/model

spark-submit  --class org.wq.scala.ml.FP_Growth --master spark://master:7077 --executor-memory 700m --num-executors 1  /home/jar/FP_Growth.jar  /home/jar/data/sample_fpgrowth.txt 0.2 0.8 2

运行结果：
频繁项集：

规则：

集群跑job信息

四：注意事项

1我使用了20w多样本计算，近2000个物品，支持度5%，置信70%，训练出来的规则很多，最后匹配的规则比较慢，而且物品的覆盖比较少。所以把近2000的物品修改为主推的近500，这样规则就减少了很多，切覆盖的物品也比较多。具体参数自己试下哈，样本和样本的结构不一样。
2FpGrowth的训练其实比较快的，把样本量提升到了50w，训练的时间也是分钟级别的，10分钟左右吧，前提是支持度比高。在调整算法的时间，支持度很重要，关系到运行的时间，我把支持度调整的很低的时候，算法跑不出来，也会内存溢出（本身内存也不大哈）。不过时间多也无所谓，因为本身就是离线模型训练哈。
3参数调整方案，多试试，觉得准确性和物品覆盖比较满意的时候就行了额，至于参数的自动迭代，完全没什么思路，除了输入不同参数，求最好。
4训练的时候数据能cache就cache哈，会比叫快哈
5 这个训练中，6个样本，都产生了85个规则，可以想象，样本量大了之后，规则暴多，所以把规则写入mysql，group by，group_concat()（会mysql的应该明白我说啥）可以合并规则，把置信度高的放在前面，当然自己写代码可以哈。
s,t,x–>z–>1
s,t,x–>y–>1
合并为s,t,x–>z,y置信度高的在前面哈