老板问我,什么是关联规则推荐?

架构师之路

共 3178字,需浏览 7分钟

 ·

2021-11-26 22:33

工程架构方向的程序员,看到推荐/搜索/广告等和算法相关的技术,心中或多或少有一丝胆怯。但认真研究之后,发现其实没有这么难。

今天给大家介绍下推荐系统中的“关联规则推荐”,保证大伙弄懂。
画外音:可以看excel截图,或者看公式,大伙结合自己能够理解的程度自取。

一、概念
什么是关联规则Association Rules
: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。

什么是关联规则推荐Association Rule Based Recommendaion
: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”
“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
(1)线下,可以将尿布和啤酒放在一起;
(2)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} 如何来实施“关联规则”推荐呢?

第一步:数据准备
如上图,纵坐标所有历史订单横坐标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

什么是支持度(support)
: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,如果先实施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

什么是置信度(confidence)
: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,
(1)分子:support(A->B)是同时购买AB的比例;
(2)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?
: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”
“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

用什么指标来评估关联规则推荐的效果呢?
:提升度。

什么是提升度(lift)?
: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:
(1)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;
(2)等于1,说明无关,购买A与购买B,是独立事件;
(3)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,
(1)分子:confidence(A->B),购买A时,有多大概率同时购买B;
(2)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:
(1)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;
(2)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:
(1)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;
(2)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

1分钟很快就过了,希望大家能有收获。

架构师之路-分享可落地的技术文章


相关文章

架构师之路,20年干货精选


老板问我,什么是协同过滤?

老板问我,什么是基于内容的推荐?

老板问我,没有历史行为记录,怎么做推荐?


都看到这儿了,不点个赞吗

浏览 47
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报