数据挖掘之（一）：Apriori算法

        最近，工作上的需求，我们开始搞数据挖掘。毕竟不是科班出生，所以研究起来还是有些吃力的，不过，在经过一系列的研究后，还是掌握了几个数据挖掘的算法，基本可以满足公司的业务需要。

        首先，还是先以业务为主吧。

        公司业务：针对每个游戏用户，推荐给他/她与之玩的比较接近的游戏。类似于京东或者当当网站的“买过这本书的用户还买了其他书……”。我们需要做的是“玩过该游戏的用户还玩了其他游戏……”。大同小异吧。

        其次，数据挖掘方面的东西还是比较多的，但是经过研究后，我大致给它分了几类：

         1、分类：大概就是讲如何将一个新业务划分为已知的一类中，涉及到的算法有决策树、贝叶斯、支持向量机等。比如已知苹果、梨、橙子三类水果，现在来了个香水梨，该分到哪类水果中。

         2、聚类：解决将原始数据怎样分堆的例子，比如有几个苹果、梨、香蕉等水果混放在一个筐中，如何将每种水果聚在一起。

         3、关联规则：经典的处理超市订单的问题，将啤酒和尿裤放在一个货架上。涉及到的算法有：Apriori算法、FP树算法等等。

        了解了业务以及对数据挖掘的分类大概有了概念后，我们接下来就要进行业务和数据挖掘相结合了，也就是我们的业务需要用哪类数据挖掘来实现。

       相信现在您可以说肯定是关联规则了，恭喜您，答对啦！大笑

        接下来就是选择对应的算法了。

       万事开头以简单为主！这是我做事的一贵主张。最近看吴军博士的《数学之类》这本书时，这个主张还是能成大器的。偷笑

        最先选择的就是Apriori算法，没什么原因，也没什么技巧。我会从我的初学者的角度来讲这个算法。

        1、算法思想：根据一个项集（其实就是所有游戏的一个组合集合），从一大堆事务级的数据（就是用户玩过的游戏）中，通过计算支持度和置信度，最后得到一个关联的规则（A游戏和B游戏有很大的关联性）。然后就可以进行推荐了（比如，张三玩了A游戏，就可以推荐张三玩B游戏了）。

       2、需要解决的问题：

             （1）项集的生成。如果游戏特别多，比如有100000个，那么得到任意两款游戏的组合的时间频度为T(100000*9999)，三款游戏、四款游戏……n款游戏呢？

             （2）如果事务数据非常大，海量，每次进行关联度计算及置信度计算都会消耗一定的时间，且查询一次数据库操作，性能啊？

        3、算法的输入、输出。

            （1）算法的输入数据已经明确了需要两个：一个是由所有游戏组成的单个游戏的项集，如{游戏A、游戏B、游戏C……}；另一个是事务的数据集{“张三：游戏A、游戏B”，“李四：游戏A、游戏C”，“王五：游戏A、游戏B、游戏C”，“赵六：游戏B、游戏C”，“马七：游戏A、游戏C”}。

             （2）算法的输出：将输出结果按照支持度和置信度由大到小进行排序，比如游戏A和游戏C的关联度最高，那么排在第一位置，然后就可以进行游戏A和游戏C之间的推荐。