algorithm - 基于Apriori算法的频繁项集与基于项的推荐

Question

我正在使用 Apriori 算法，当我使用 min support= 2 时得到以下项目集作为频繁项目集。(项目集:支持)我此实现的目标是根据客户确定的频繁项目集和他已经添加到购物车的内容向客户提出建议

-+- L -+-
[5] : 3
[1] : 3
[2] : 3
[3] : 4

-+- L -+-
[1, 2] : 2
[1, 5] : 2
[3, 5] : 3
[1, 3] : 3
[2, 5] : 3
[2, 3] : 3

-+- L -+-
[1, 2, 5] : 2
[1, 2, 3] : 2
[2, 3, 5] : 3
[1, 3, 5] : 2

-+- L -+-
[1, 2, 3, 5] : 2

我的第一个问题是:我只使用支持规则来识别上述集合。在什么时候我应该使用置信度和提升规则？是在识别频繁项集时还是在根据识别出的频繁项集添加推荐时？

我的第二个问题是:我在添加推荐时使用置信度规则，我应该如何检查置信度规则？例如，如果用户将项目 2,5 添加到他的购物 list 中，我也会建议购买项目 3。基于 [2,3,5] 集。推荐项目 3 的规则应该如何？即 [2,5] 的频率应该更接近 [2,3,5] 的频率 或者 [3] 的频率应该更接近 [2,3,5] 的频率?

在建议第 3 项之前我必须检查哪个条件？

我的第三个问题是提升规则在哪些情况下很重要？根据上面的项目集，似乎可以建议任何项目，即使我考虑了所有支持、信心和提升规则。如果我错了请指正？

谢谢

Answer 1

致一和二:

关联规则如下所示:

{3} -> {2, 5}

这意味着，例如，如果客户购买 3，他也有一定的概率购买 2 和 5。同样，概率由支持度和置信度决定。例如:

> dataset 
1: {1, 2, 3} 
2: {1, 2, 4}
3: {1, 2, 5} 

Support level = 0.6
Confidence level = 0.6
Number of cases = 3

// Get frequency of each item
Total number of 1's bought = 3
Total number of 2's bought = 3
Total number of 3's bought = 1
Total number of 4's bought = 1
Total number of 5's bought = 1

// Check support of each item against support level
Support of 1 = 3 / 3 = 1 >= 0.6 = support level
Support of 2 = 3 / 3 = 1 >= 0.6 = support level
Support of 3 = 1 / 3 = 0.33 <= 0.6 = support level
Support of 4 = 1 / 3 = 0.33 <= 0.6 = support level
Support of 5 = 1 / 3 = 0.33 <= 0.6 = support level
-> Frequent itemsets = {(1), (2), (1, 2)}
-> Association rules = {1 -> 2}

// Check confidence of each association rule against confidence level
Confidence of 1 -> 2 = 3 / 3 = 1 >= 0.6 = confidence level
-> Strong association rules = {1 -> 2}
-> For a customer who buys 1, the recommandation is article 2

致三:

提供的数据是频繁项集，没有关联规则。因此，从那些原始的频繁项集中，不可能将建议关联起来，比如如果顾客买了 1 个，他也会以一定的概率购买 2 个。它们需要被处理成关联规则。而提升值只是表示对于一个关联规则，在这种关系中关联规则的置信度值与期望值保持一致。也就是说这个关联规则的意义。

希望这会有所帮助。