我们在线上购物的时候，经常都会遇到这种情况：当我把一件商品加入购物车以后，系统自动为我推荐了很多其他的商品。
这些其实关联规则推荐的应用案例，比较经典的就是“把啤酒放在尿不湿的旁边，有助于提升啤酒的销量”。
什么是关联规则呢？
关联规则其实是一种数据挖掘概念，通过对数据的分析，找到数据之间的关联。
例如：
我们买面包的时候，常常会买牛奶。
我们买尿不湿的时候，常常都会买啤酒。
对于面包和牛奶、尿不湿和啤酒，他们就是一种关联规则。
什么是关联规则推荐呢？
其实就是，我让你在购买一件商品的同时，通过这件商品的关联规则，来对你进行商品的推荐，希望你也同时的将其购买。
例如：
我们把尿不湿和啤酒放在一起。
我们把牛奶放在面包的旁边。
为什么要做关联规则推荐呢？
因为，在你购买了尿不湿以后，我给你推荐啤酒，比我直接给你推荐啤酒更加的有效。
试想一下，我如果直接给一个人推荐啤酒，其实我并不知道你是不是啤酒的潜在用户，失败的几率很大。
但是，如果一个男人去买尿不湿，那么他一定刚刚成为父亲不久，那么，买啤酒的几率就非常的大。因此，给买尿不湿的男人推销啤酒的效果就非常有效。
如何分析关联规则呢？
我们先假设我们的电商网站上有5中商品，分别是苹果、面包、牛奶、饼干、矿泉水。
今天，整个网站一共有5笔订单，分别购买了其中不同的几件商品，我们将这些订单进行分析。
我们可以先分析一下，不同商品的支持度，也就是受欢迎层度。从上图我们可以知道，5笔订单中，有3笔都购买了苹果，那么说，苹果的支持度就是60%，最受欢迎的是什么呢？面包。所有的订单都购买了面包，支持率是100%。
支持度了解后，我们还要分析置信度。
什么是置信度呢？
就是，如果我们买了苹果，那么我们有多大可能性会买面包呢？
从这张图我们可以看出，买了苹果的人，都会去买面包，也就是说，苹果->面包的置信度是100%。
那举一反三一下，面包->苹果的置信度呢？5次购买面包中，3次是买了苹果，也就是说，面包->苹果的置信度是60%。
关联规则的运用
从上面的图中，我们了解到了，买苹果的人一定会买面包，那么我们去给买苹果的人推荐面包，那么效果一定最好。
No，这种想法是错误的，因为买苹果的人100%会买面包，我们的推荐等于毫无意义。并且我们还可以看到，面包的支持率是100%，也就是说，我直接推荐面包，别人也会买，我不需要看到买苹果的人才去推荐。
我们怎么知道，我们应该推荐什么商品，应该在用户买什么商品的时候推荐呢？
其实就是看苹果->面包的置信度和面包支持度谁更高。
如果置信度更高，那么说明这样推荐是好的。
如果相等，那么说明两者没有直接的关系，推荐无意义。
如果支持度更高，那么说明这样的推荐是负面的。
例如：苹果-> 面包 置信度 = 100%，面包支持度 = 100%，两者相等，在买苹果时推荐面包是无意义的。
牛奶->矿泉水 置信度 = 50%，矿泉水支持度 = 40%，那么在买牛奶时推荐矿泉水是比单独推荐矿泉水好的，好的推荐。
牛奶->饼干 置信度 = 50%，饼干支持度 = 60%，那么在买牛奶时推荐饼干并没有单独推荐饼干好，这个推荐并不好。
如果大家有什么不同的意见，都可以留言告知我。
閱讀更多 會技術的葛大爺 的文章
