机器学习——Apriori算法（基于关联规则的推荐）

概念思想：

关联规则反映一个事物与其他事物之间的相互依存性和关联性。若两个或多个事物之间存在一定 的关联关系，则其中一个事物就能够通过其他事物预测到。

频繁项集就是支持度大于等于最小支持度（Min Support）阈值的项集，所以小于最小值支持度的项目就是非频繁项集，而大于等于最小支持度的的项集就是频繁项集。

支持度（Support）

支持度是个百分比，它指的是某个商品组合出现的次数与总次数之间的比例。

置信度（Confidence）

它指的就是当你购买了商品A，会有多大的概率购买商品B，置信度是个条件概念，就是说在A发生的情况下，B发生的概率是多少

提升度

提升度（A→B）=置信度（A→B）/支持度（B）

这个公式是用来衡量A出现的情况下，是否会对B出现的概率有所提升。所以提升度有三种可能:
提升度（A→B）> 1:代表有提升；
提升度（A→B）= 1:代表有没有提升，也没有下降；
提升度（A→B）< 1:代表有下降。

步骤：

下面是使用关联规则完成推荐系统的详细步骤：

1. 数据预处理：首先，需要对原始数据进行预处理，包括数据清洗、去重、转换等操作，以确保数据的准确性和一致性。

2. 构建候选项集：根据预处理后的数据，构建候选项集。候选项集是指可能出现在关联规则中的项的集合。

3. 计算支持度：对于每个候选项集，计算其在数据集中的支持度。支持度是指某个项集在数据集中出现的频率。

4. 生成频繁项集：根据设定的最小支持度阈值，筛选出支持度大于等于阈值的项集，这些项集称为频繁项集。

5. 生成关联规则：对于每个频繁项集，生成其所有可能的关联规则。关联规则的生成可以通过对频繁项集进行拆分和组合来实现。

6. 计算信任度和提升度：对于每个关联规则，计算其信任度和提升度。信任度是指在先导项出现的情况下，后继项也出现的概率。提升度是指使用关联规则后，后继项出现的概率相对于没有使用关联规则时的提升程度。

7. 筛选规则：根据设定的最小信任度和最小提升度阈值，筛选出具有实际价值的关联规则。

8. 推荐商品：根据筛选出的关联规则，推荐与用户购买历史相关的商品。

1、K=1，计算K项集的支持度；
2、筛选掉小于最小支持度的项集；
3、如果项集为空，则对应K-1项集的结果为最终结果。

否则K=K+1，重复1-3步

优缺点:

 Apriori算法利用频繁集的两个特性，过滤了很多无关的集合，效率提高不少

Apriori算法是一个候选消除算法，每一次消除都需要扫描一次所有数据记录，造成整个算法在面临大数据集时显得无能为力。每次生成频繁项集时都要进行全表扫描

改进：

在关联规则中，因为支持度表示在历史中A和B同时购买的概率，置信度表示A推荐B的可信程度。由此可以采用提升度=支持度(Support)*置信度(Confidence )的方式来表示A推荐B而A和B同时购买的概率。这样相比于单纯使用支持度更全面，同时避免了支持度中等或置信度中等的关联规则被淘汰。

参考文献：

推荐系统之基于关联规则推荐