所以一个
recent question让我意识到相当酷的
apriori algorithm.我可以看到它为什么有效,但我不确定的是实际用途.据推测,计算相关项目集的主要原因是能够基于他们自己的购买(或拥有物品等)为某人提供推荐.但是,您如何从一组相关项目转到个别建议？

维基百科的文章结束：

The second problem is to generate
association rules from those large
itemsets with the constraints of
minimal confidence. Suppose one of the
large itemsets is Lk, Lk = {I1, I2, …
, Ik}, association rules with this
itemsets are generated in the
following way: the first rule is {I1,
I2, … , Ik-1}⇒ {Ik}, by checking the
confidence this rule can be determined
as interesting or not. Then other rule
are generated by deleting the last
items in the antecedent and inserting
it to the consequent, further the
confidences of the new rules are
checked to determine the
interestingness of them. Those
processes iterated until the
antecedent becomes empty

但是,我不确定这组关联规则如何帮助确定最佳建议集.也许我错过了这一点,apriori不打算用于此用途？在哪种情况下,它的目的是什么？

最佳答案 因此,apriori算法不再是Market Basket Analysis(又名
Association Rule Mining)的最新技术.这些技术有所改进,尽管Apriori原则(支持一个子集上限支持该集合)仍然是一个驱动力.

在任何情况下,关联规则用于生成推荐的方式是,在给定一些历史项集的情况下,我们可以检查每个规则的初始值以查看是否包含在历史中.如果是这样,那么我们可以推荐规则的结果(当然,消除历史中已经包含结果的情况).

我们可以使用各种指标对我们的推荐进行排名,因为在将大量规则与历史记录进行比较时,我们可能会有很多匹配,而我们只能提供有限数量的推荐.一些有用的指标是规则的支持(与先行者和后果的结合的支持相同),规则的信心(规则对支持者的支持)和提升规则(支持对于先前和后来的支持产品的规则的支持)等等.