推荐算法之—关联规则

项集的介绍

itemset：即一个人买了牛奶，又买了面包，那么{牛奶，面包}就是个项集 有两项 就是2-itemset

支持度与置信度

支持度：通俗点说就是一个所有商品中 当前商品所在占的比重

置信度（一种条件概率）

置信度：例如买了啤酒和尿布的数量与啤酒或者尿布的比率 此时是相对于谁的执行度。通俗点就是买了啤酒的人 买尿布的概率 。但是需要主要 本来买尿布的支持度是50% 但是买了啤酒又买尿布的置信度是45% 显然这个不怎么好

Apriori算法

由于一个项可以与其他项相组合 那么组合的结果会很复杂 如下图所示，Apriori算法需要解决的问题就是对其剪枝，过滤掉不符合的 。 

平凡项：支持度大于一定值才是频繁项
Apriori算法关键思想：1.如果一个集合如果是平凡的，那么它的所有子项也都是平凡的 2.如果一个子项不平凡那么由它构成的集成也不平凡

如果B是不平凡的那么：

Apriori算法生成网络的过程：先生成一定大小的平凡项，然后两两组合，对于每个组合项去数据库中扫描统计，检测下它是不是平凡项，再然后size+1 继续

Apriori 生成由size到size+1
大集合中 选择两个小集合 如果小几个的前K-1个相同 第K个不同 那么不同的部分就提上去 但是需要每个元素都在大集合中才行

序列模式

注意：在序列模式中，子序列元素出现顺序与其父序列的出现顺序是一样的

与非序列模式相似，对于候选序列的生成方法：从端序列开始 找到相似部分，剩下的那个不相似的提上去，饭后

选完之后 需要Pruning 例如Candidate的第一个 1，3,4不在序列中 所以不是