使用 apriori 算法进行推荐

So a 最近的问题 https://stackoverflow.com/questions/1248373/apriori-algorithm让我意识到相当酷先验算法 http://en.wikipedia.org/wiki/Apriori_algorithm。我知道它为什么有效，但我不确定实际用途。据推测，计算相关物品集的主要原因是能够根据某人自己的购买（或拥有的物品等）为他们提供建议。但是，如何从一组相关的项目集转变为单独的推荐呢？

维基百科文章结束：

第二个问题是生成 来自那些大的关联规则 项集的约束为 最小的信心。假设其中之一 大项集是 Lk，Lk = {I1, I2, … , Ik}, 与此的关联规则 项集生成于 如下：第一条规则是{I1， I2, … , Ik-1}⇒ {Ik}，通过检查 可以确定该规则的置信度 有趣与否。然后是其他规则 是通过删除最后一个生成的 先行词中的项目和插入 其结果是，进一步 新规则的置信度是 检查以确定 他们的有趣程度。那些 迭代过程直到 先行词变为空

不过，我也不确定关联规则集如何帮助确定最佳推荐集。也许我没有抓住重点，apriori 不适合这种用途？在这种情况下，什么is它的目的是什么？

因此，apriori 算法不再是最先进的算法市场篮子分析 (aka 关联规则挖掘 http://en.wikipedia.org/wiki/Association_rules）。尽管 Apriori 原理（子集的支持度上限是集合的支持度）仍然是驱动力，但这些技术已经得到了改进。

无论如何，关联规则用于生成推荐的方式是，给定一些历史项集，我们可以检查每个规则的先行词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，排除结果已经包含在历史中的情况）。

我们可以使用各种指标对我们的推荐进行排名，因为使用大量规则，将它们与历史记录进行比较时，我们可能会得到很多命中，并且我们只能做出有限数量的推荐。一些有用的指标是support规则（与前件和后件的并集的支持相同），信心规则的支持（规则的支持对先行词的支持），以及lift规则的支持（规则的支持与前件和后件的支持的乘积）等等。