3分钟了解“关联规则”推荐

2018-07-20    来源:编程学习网

容器云强势上线!快速搭建集群,上万Linux镜像随意使用

“把啤酒放在尿布旁,有助于提升啤酒销售量”是关联规则推荐的经典案例,今天,和大家聊聊“关联规则推荐”,正文不含任何公式,保证PM弄懂。

一、概念

1. 什么是关联规则(Association Rules)?

答:关联规则是数据挖掘中的概念,通过分析数据,找到数据之间的关联。电商中经常用来分析购买物品之间的相关性,例如,“购买尿布的用户,有大概率购买啤酒”,这就是一个关联规则。

画外音:如果把买尿布记作A,买啤酒记作B。

“买尿布的用户有较大概率买啤酒”这个关联规则记作A -> B。

2. 什么是关联规则推荐(Association Rule Based Recommendaion)?

答:顾名思义,利用关联规则,来实施推荐。关联规则推荐的目标,是希望达到

“将尿布放入购物车之后,再推荐啤酒”比“直接推荐啤酒”获取有更好的售卖效果。

画外音:这个目标非常非常重要,有些场景,或许直接推荐更有效。

关联规则推荐的典型应用:

  • 线下,可以将尿布和啤酒放在一起
  • 线上,可以在用户将尿布放入购物车后,立刻推荐啤酒

二、如何实施

假设某电商会售卖ABCD四种商品,历史上共5笔订单,分别卖出{A,B,C}, {B,C,D}, {A,B,C,D}, {A,C}, {C}。

1. 如何来实施“关联规则”推荐呢?

第一步:数据准备

如上图,纵坐标是所有历史订单,横坐标是每笔订单售出的商品。

第二步:计算关联规则(组合商品)的支持度

2. 什么是支持度(support)?

答:共5笔订单,3笔包含商品A,A的支持度是3/5。

很容易计算出,各个商品的支持度。从支持度可以看出,Best Seller是商品C,100%的订单中都包含商品C,C的支持度是1。

除了单个商品,组合商品也有支持度。

共5笔订单,2笔同时包含AB,即A->B的支持度是2/5。

画外音:全局总共4种商品,假设关联规则只关联2种商品,则一共需要计算C(4,2)共6种组合商品的支持度{AB,AC,AD,BC,BD,CD}。

支持度评估商品包含在订单中的“概率”,一个订单,有多大概率包含这个商品。

画外音:一般会先对支持度高的商品实施推荐,如果先实优化支持度低的商品,即使推荐效果翻倍,总体订单提升效果也会很有限。

第三步:计算关联规则的置信度

3. 什么是置信度(confidence)?

答:已知购买了A,有多大概率购买了B(即同时购买了AB),称A -> B的置信度。

可以看到,商品A有3次购买,这3次中有2次购买了B,A->B的置信度是2/3。

画外音:额,本来不想贴公式的

confidence(A->B) = support(A->B)/support(A)= (2/5)/(3/5) = 2/3 

这也相对比较好理解,

  • 分子:support(A->B)是同时购买AB的比例
  • 分母:support(A)是只购买A的比例

二者相除,得到“购买了A,有多大概率购买B”,置信度的本质是条件概率。

这里需要注意的是,X->Y与Y->X的置信度不一定相等。

如上图:

  • B->C的置信度是1,买商品B时,100%会买C,
  • C->B的置信度是3/5,买商品C时,只有3/5买了B。

画外音:

support(B->C)=3/5 
support(C->B)=3/5 
confidence(B->C)=support(B->C)/support(B)=1 
confidence(C->B)=support(C->B)/support(C)=3/5 

公式是给程序看的,excel表格是给人看的,结果都一样。

第四步:计算关联规则的提升度

上一个例子里,confidence(B->C)=1,即:如果用户购买商品B,100%会买C,那是不是意味着,如果用户将商品B放入购物车,就可以向用户推荐商品C呢?

答:不是。

我们来回顾一下,关联规则推荐的目标,是希望达到

“将尿布放入购物车之后,再推荐啤酒”比“直接推荐啤酒”获取有更好的售卖效果。

虽然购买商品B,100%会买C

画外音:confidence(B->C)=1

但直接推荐C,用户也100%会买C

画外音:support(C)=1

会发现,购买B与购买C是独立事件,用户买不买C和用户买不买B没有直接关系。这里的关联规则推荐,并没有比直接推荐获取更好的效果。

4. 用什么指标来评估关联规则推荐的效果呢?

答:提升度。

5. 什么是提升度(lift)?

答:A->B关联规则推荐,与直接推荐B,的比值,可以用来评估推荐效果:

  • 大于1,说明有效,在购买A时推荐B,比直接推荐B,效果更好
  • 等于1,说明无关,购买A与购买B,是独立事件
  • 小于1,说明负相关,购买A时推荐B,效果还不如直接推荐B

画外音:又有公式了

lift(A->B) =confidence(A->B)/support(B) 

这也相对比较好理解,

  • 分子:confidence(A->B),购买A时,有多大概率同时购买B
  • 分母:support(B),有多大概率直接购买B

二者相除,得到效果是否更好。

还是通过两个直观的例子来看。

来看看关联规则A->B,与直接推荐B,效果有没有提升:

  • 有3个订单购买A,这3个订单中有2个订单购买了B,所以A->B的置信度是2/3,即买了A有2/3的概率会买B
  • 直接推荐B的话,5个订单中有3个购买了B,所以B的支持度是3/5,即有3/5的概率会直接买B

会发现,关联规则推荐的效果更好。

画外音:根据公式

confidence(A->B) =support(A->B)/support(A) = 2/3 
support(B) = 3/5 
lift(A->B) =confidence(A->B)/support(B) = 10/9 
lift(A->B) > 1 

故关联规则推荐是正相关的。

来看看关联规则A->D,与直接推荐D,效果有没有提升:

  • 有3个订单购买A,这3个订单中有1个订单购买了D,所以A->D的置信度是1/3,即买了A有1/3的概率会买D
  • 直接推荐D的话,5个订单中有2个购买了B,所以D的支持度是2/5,即有2/5的概率会直接买D

会发现,关联规则推荐的效果很差,还不如直接推荐。

画外音:根据公式

confidence(A->D) =support(A->D)/support(A) = 1/3 
support(D) = 2/5 
lift(A->D) = confidence(A->D)/support(D)= 5/6 
lift(A->B) < 1 

故关联规则推荐是负相关的。

三、总结

(1) 关联规则A->B推荐,目标是,在“用户将A放入购物车时,推荐B”比“单独推荐B”获取更好的效果

(2) A->B的支持度,是用户同时购买A和B概率

(3) A->B的置信度,是用户购买A的同时,有多大概率购买B

(4) A->B的提升度,是“用户购买A的同时,有多大概率购买B”与“直接购买B的概率”的比值

  • 这个值大于1时,说明A->B有正向效果
  • 这个值等于1时,说明A和B是独立事件
  • 这个值小于1时,说明A->B有负向效果

 

来自:http://zhuanlan.51cto.com/art/201805/572616.htm

 

标签: 电商

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点!
本站所提供的图片等素材,版权归原作者所有,如需使用,请与原作者联系。

上一篇:从源码看微信小程序启动过程

下一篇:机器学习时代的哈希算法,将如何更高效地索引数据