美文网首页
3分钟了解“关联规则”推荐

3分钟了解“关联规则”推荐

作者: 姚的日志 | 来源:发表于2018-08-08 17:17 被阅读165次

    “把啤酒放在尿布旁,有助于提升啤酒销售量”是关联规则推荐正文不含任何公式,保证PM弄懂。

    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

    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} 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

    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,

    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?

    :不是。

    “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)?

    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

    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

    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

    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

    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

    A->B的支持度,是用户同时购买A和B概率

    A->B的置信度,是用户购买A的同时,有多大概率购买B

    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

    (1)这个值大于1时,说明A->B有正向效果

    (2)这个值等于1时,说明A和B是独立事件

    (3)这个值小于1时,说明A->B有负向效果

    转载自:https://www.sohu.com/a/227841704_178889

    相关文章

      网友评论

          本文标题:3分钟了解“关联规则”推荐

          本文链接:https://www.haomeiwen.com/subject/jvpxbftx.html