所以recent question让我意识到相当酷apriori algorithm。我可以看出它为什么有效，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？
维基百科文章结束：
第二个问题是生成 那些大的关联规则 具有约束条件的项集 信心极低。假设其中一个 大项目集是Lk，Lk = {I1，I2，... ，Ik}，关联规则 项目集是在。中生成的 以下方式：第一条规则是{I1， I2，...，Ik-1}⇒{Ik}，通过检查 信心这个规则可以确定 有趣还是没有。其他规则 是通过删除最后一个生成的 先行和插入的项目 它到了结果，进一步 新规则的信心是 检查确定 有趣的是他们。那些 进程迭代直到 先行者变得空虚
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， 用于什么？
答案 0 :(得分：2)
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记录中。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，而我们只能提出有限数量的建议。一些有用的指标是规则的支持（与antecedant和consequant的联合的支持相同），规则的置信度（支持规则的支持，以及规则的提升（对规则的支持以及随之而来的支持），等等。
答案 1 :(得分：0)
如果您想了解Apriori如何用于分类的一些细节，请阅读有关CBA算法的文章：
刘冰，Wynne Hsu，马一鸣，“整合分类和关联规则挖掘”。第四届知识发现与数据挖掘国际会议论文集（KDD-98，全体会议报告），美国纽约，1998年