目录

推荐算法的目的

 如何进行推荐：

关联规则

关联规则挖掘：

应用：

案例：啤酒与尿布

定义：

关联规则的度量：

支持度

置信区间

度量

关联规则挖掘

定义

步骤 

apriori算法

定律：

定律的性质（过滤选项集——用于剪枝超集）：

步骤

缺点

推荐模式评估

相邻矩阵（了解就行，不用太关注）

协同过滤算法

协同过滤（基于用户）

计算方法

案例

升级——加权推荐

协同过滤（基于物品）

案例

两者区别——基于用户与基于物品

推荐算法的基本思想

---

推荐算法的目的

 如何进行推荐：

1. 关联规则
2. 协同过滤

关联规则

关联规则挖掘：

应用：

• 互联网
• 零售
• 交通事故起因
• 生物医药

案例：啤酒与尿布

定义：

关联规则的度量：

支持度

        基于上面案例的数据

置信区间

        基于上面案例的数据

度量

关联规则挖掘

定义

步骤 

apriori算法

定律：

定律的性质（过滤选项集——用于剪枝超集）：

步骤

缺点

推荐模式评估

相邻矩阵（了解就行，不用太关注）

协同过滤算法

协同过滤（基于用户）

计算方法

案例

升级——加权推荐

协同过滤（基于物品）

案例

两者区别——基于用户与基于物品

推荐算法的基本思想