推荐系统——关联规则

购物篮分析（关联规则挖掘，频繁规则挖掘）

名词解释：

挖掘数据集（事务数据集，交易数据集）：购物篮数据

频繁模式：频繁地出现在数据集中的模式，例如项集，子结构，子序列等

挖掘目标：频繁模式，频繁项集，关联规则等

关联规则：牛奶=》鸡蛋【支持度=2%，置信度=60%】

支持度：分析中的全部事物的2%同时购买了牛奶和鸡蛋

置信度：购买了牛奶的筒子有60%也购买了鸡蛋

最小支持度阈值和最小置信度阈值：由挖掘者或领域专家设定

项集：项（商品）的集合

k-项集：k个项组成的集合

频繁项集：满足最小支持度的项集，频繁k-项集一般记为Lk

强关联规则：满足最小支持度阈值和最小置信度阈值的规则

 

我感觉：主要就是挖掘频繁模式或者频繁项集（频繁项集是频繁模式的一种），进而找到关联规则。

关联规则挖掘：Apriori算法

两步过程：找出所有频繁项集；由频繁项集产生强关联规则

算法：Apriori

例子：

 

Apriori算法的工作过程：

步骤说明：

        扫描D，对每个候选项计数，生成候选1-项集C1
        定义最小支持度阈值为2，从C1生成频繁1-项集L1
        通过L1xL1生成候选2-项集C2
        扫描D，对C2里每个项计数，生成频繁2-项集L2
        计算L3xL3，利用apriori性质：频繁项集的子集必然是频繁的，我们可以删去一部分项，从而得到C3，由C3再经过支持度计数生成L3
        可见Apriori算法可以分成连接，剪枝两个步骤不断循环重复

由频繁项集提取关联规则：

 例子：我们计算出频繁项集{I1,I2,I5}，能提取哪些规则？
I1^I2=>I5，由于{I1,I2,I5}出现了2次，{I1,I2}出现了4次，故置信度为2/4=50%
类似可以算出

算法的缺点：L1到C2是笛卡尔积，如果L1比较大，C2难以想象，如果要控制L1较小，则需要提高支持度。有时候不需要提交支持度，那怎么样进行优化呢？

提高Apriori的效率：

        基于散列的算法（基本不用，不做讲解）
        基于FP tree的算法（如下）

TP树：

挖掘过程图示：

FP-Growth算法伪代码：

FPGrowth算法出来以后，因为他很耗内存（建立树），一台机器的内存可能不够，所以我们如果能把他分散在多台计算机里面计算的话，那么可以减少我们计算的复杂程度，

进而诞生出了PFP

分布式FP-Growth

如果reduce阶段采用上述，reduce阶段数据量一样会非常大，一样没有解决问题，若果吧reduce的任务放在多个机器上，会有多台机器之间的交互（数据丢失，交互），也没有解决问题，可以采用映射的方式，机器直接也不会数据存在丢失或者交互。如下步骤（G-List）：

主要步骤：

        将数据集分片
        计数，产生排序的F-List
        将物品分组，产生G-List（这个样子可以导致reduce在许多台机器上同时运行）
      （PFP算法关键步骤）并行FP-Growth过程
        聚合结果

应用：网页中的最佳拍档：如下所示：

用户行为的一些思量：

        互斥的商品，例如同类的自行车，汽车，内容相近的书籍，此时不能使用套餐推荐
        推荐相近商品的时候使用浏览记录，使用购买记录更类似于关联规则挖掘
        考虑兴趣的时效性，例如已经购买了某种自行车，就没必要再向用户推荐相近的自行车

总结一下：当我们推荐相近商品的时候，最好可以使用浏览记录来进行推荐，使用基于物品的协同过滤算法；

                    如果要推荐套餐的话，最好是基于购买记录，购物篮分析，用关联模式挖掘（关联规则挖掘）。