关联规则1：关联规则的应用场景
关联规则，作为十大机器学习算法之一，应用非常广泛。最经典的例子当然是“啤酒”和“尿布” 的故事。
20世纪90年代呢，在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而到另一家商店，直到可以一次同时买到啤酒与尿布为止。
后来，全球零售业巨头沃尔玛在对消费者购物行为分析时发现，**男性顾客在购买婴儿尿片时，常常会顺便搭配几瓶啤酒来犒劳自己，于是尝试推出了将啤酒和尿布摆在一起的促销手段。没想到这个举措居然使尿布和啤酒的销量都大幅增加了。如今，“啤酒＋尿布”的数据分析成果早已成了大数据技术应用的经典案例，被人津津乐道。
一个作者整理了10个天池、DataCastle、DataFountain等中出现的，可使用关系规则算法处理的问题场景实例，感谢这位作者。内容如下：
1 穿衣搭配推荐
穿衣搭配是服饰鞋包导购中非常重要的课题，基于搭配专家和达人生成的搭配组合数据，百万级别的商品的文本和图像数据，以及用户的行为数据。期待能从以上行为、文本和图像数据中挖掘穿衣搭配模型，为用户提供个性化、优质的、专业的穿衣搭配方案，预测给定商品的搭配商品集合。
2 互联网情绪指标和生猪价格的关联关系挖掘和预测
生猪是畜牧业的第一大产业，其价格波动的社会反响非常敏感。生猪价格变动的主要原因在于受市场供求关系的影响。然而专家和媒体对于生猪市场前景的判断、疫情的报道，是否会对养殖户和消费者的情绪有所影响？ 情绪上的变化是否会对这些人群的行为产生一定影响，从而影响生猪市场的供求关系？互联网作为网民发声的第一平台，在网民情绪的捕捉上具有天然的优势。本次赛题希望参赛者可以基于海量提供的数据，挖掘出互联网情绪指标与生猪价格之间的关联关系，从而形成基于互联网数据的生猪价格预测模型，挖掘互联网情绪指标与生猪价格之间的关联关系和预测。
3依据用户轨迹的商户精准营销
随着用户访问移动互联网的与日俱增，随着移动终端的大力发展，越来越多的用户选择使用移动终端访问网络，根据用户访问网络偏好，也形成了相当丰富的用户网络标签和画像等。如何根据用户的画像对用户进行精准营销成为了很多互联网和非互联网企业的新发展方向。如何利用已有的用户画像对用户进行分类，并针对不同分类进行业务推荐，特别是在用户身处特定的地点、商户，如何根据用户画像进行商户和用户的匹配，并将相应的优惠和广告信息通过不同渠道进行推送。
希望根据商户位置及分类数据、用户标签画像数据提取用户标签和商户分类的关联关系，然后根据用户在某一段时间内的位置数据，判断用户进入该商户地位范围300米内，则对用户推送符合该用户画像的商户位置和其他优惠信息。
4地点推荐系统
随着移动社交网路的兴起，用户的移动数据得到了大量的累积，使得这些移动数据能够基于地点推荐技术帮助人们熟悉周遭环境，提升地点的影响力等。希望利用用户的签到记录和地点的位置、类别等信息，为每个用户推荐50个感兴趣的地点。
5 气象关联分析
在社会经济生活中，不少行业，如农业、交通业、建筑业、旅游业、销售业、保险业等，无一例外与天气的变化息息相关。随着各行各业对气象信息的需求越来越大，社会各方对气象数据服务的个性化和精细化要求也在不断提升，如何开发气象数据在不同领域的应用，更好的支持大众创业、万众创新，服务民计民生，是气象大数据面临的迫切需求。
为了更深入地挖掘气象资源的价值，希望基于共计60年的中国地面历史气象数据，推动气象数据与其他各行各业数据的有效结合，寻求气象要素之间、以及气象与其它事物之间的相互关系，让气象数据发挥更多元化的价值。
6 交通事故成因分析
随着时代发展，便捷交通对社会产生巨大贡献的同时，各类交通事故也严重地影响了人们生命财产安全和社会经济发展。为了更深入挖掘交通事故的潜在诱因，带动公众关注交通安全，贵阳市交通管理局开放交通事故数据及多维度参考数据，希望通过对事故类型、事故人员、事故车辆、事故天气、驾照信息、驾驶人员犯罪记录数据以及其他和交通事故有关的数据进行深度挖掘，形成交通事故成因分析方案。
7 基于兴趣的实时新闻推荐
随着近年来互联网的飞速发展，个性化推荐已成为各大主流网站的一项必不可少服务。提供各类新闻的门户网站是互联网上的传统服务，但是与当今蓬勃发展的电子商务网站相比，新闻的个性化推荐服务水平仍存在较大差距。一个互联网用户可能不会在线购物，但是绝大部分的互联网用户都会在线阅读新闻。因此资讯类网站的用户覆盖面更广，如果能够更好的挖掘用户的潜在兴趣并进行相应的新闻推荐，就能够产生更大的社会和经济价值。初步研究发现，同一个用户浏览的不同新闻的内容之间会存在一定的相似性和关联，物理世界完全不相关的用户也有可能拥有类似的新闻浏览兴趣。此外，用户浏览新闻的兴趣也会随着时间变化，这给推荐系统带来了新的机会和挑战。
因此，希望通过对带有时间标记的用户浏览行为和新闻文本内容进行分析，挖掘用户的新闻浏览模式和变化规律，设计及时准确的推荐系统预测用户未来可能感兴趣的新闻。
8 银行金融客户交叉销售分析
某商业银行试图通过对个人客户购买本银行金融产品的数据进行分析，从而发现交叉销售的机会。
9 电子商务搭配购买推荐
电子购物网站使用关联规则中规则进行挖掘，然后设置用户有意要一起购买的捆绑包。也有一些购物网站使用它们设置相应的交叉销售，也就是购买某种商品的顾客会看到相关的另外一种商品的广告。
10 银行营销方案推荐
关联规则挖掘技术已经被广泛应用在金融行业企业中，它可以成功预测银行客户需求。一旦获得了这些信息，银行就可以改善自身营销。如各银行在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信息，供使用本行ATM机的用户了解。如果数据库中显示，某个高信用限额的客户更换了地址，这个客户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高信用限额，更高端的新信用卡，或者需要一个住房改善贷款，这些产品都可以通过信用卡账单邮寄给客户。当客户打电话咨询的时候，数据库可以有力地帮助电话销售代表。销售代表的电脑屏幕上可以显示出客户的特点，同时也可以显示出顾客会对什么产品感兴趣。
关联规则1：关联规则的应用场景相关推荐
- 【数据挖掘】关联规则挖掘 Apriori 算法 ( 频繁项集 | 非频繁项集 | 强关联规则 | 弱关联规则 | 发现关联规则 )
文章目录 一. 频繁项集 二. 非频繁项集 三. 强关联规则 四. 弱关联规则 五. 发现关联规则 参考博客 : [数据挖掘]关联规则挖掘 Apriori 算法 ( 关联规则简介 | 数据集 与 事物 ...
- 【机器学习算法】关联规则-1 关联规则的概念，Apriori算法，实例和优缺点
目录 关联规则 关联规则的概念: 关联规则的评估指标 -评估指标也就是支持度和置信度 APriori算法 Apriori的步骤 Apriori算法的实例说明 Apriori算法的实例的缺点及瓶颈 小结 ...
- 【机器学习算法】关联规则-3 关联规则的指标问题和关联规则的使用方法
目录 关联规则的指标问题和关联规则的使用方法 再谈评估指标 支持度与置信度的问题 提升度指标 关联规则的生成 关联规则的延伸 虚拟产品 负向相关规则dissociation rules 相依性网络 总 ...
- 机器学习之手把手实现，第 2 部分 频繁项集与关联规则 FP-growth 的原理和实现...
https://www.ibm.com/developerworks/cn/analytics/library/machine-learning-hands-on2-fp-growth/index.h ...
- 一步步教你轻松学关联规则Apriori算法
一步步教你轻松学关联规则Apriori算法 (白宁超 2018年10月22日09:51:05) 摘要:先验算法(Apriori Algorithm)是关联规则学习的经典算法之一,常常应用在商业等诸多领 ...
- apriori和关联规则算法
问题的背景: 超市的会员卡记录了大量的用户购买数据,通过分析这些数据可以帮助商店分析用户的购买行为.从大规模数据集中寻找物品间的隐含关系被称为关联规则分析(association analysis)或 ...
- 关联规则 Association rules
Association rules 什么是关联规则 定义介绍 关联规则算法 Apriori算法 Apriori原理 连接步和剪枝步 实例解释 代码实现 FP-Tree算法 FP-Tree原理结构 项头 ...
- 数据挖掘从入门到放弃（四）：手撕（绘）关联规则挖掘算法
友情提示:篇幅较长.多图(手绘),请备好流量. 前面我们讨论了线性回归.逻辑回归.决策树和朴素贝叶斯等,今天我们来看什么呢? 关联规则简介 关联规则挖掘可以让我们从数据集中发现项与项之间的关系,它在我 ...
- 【数据挖掘】关联规则挖掘 Apriori 算法 ( Apriori 算法过程 | Apriori 算法示例 )
文章目录 一. Apriori 算法过程 二. Apriori 算法示例 参考博客 : [数据挖掘]关联规则挖掘 Apriori 算法 ( 关联规则简介 | 数据集 与 事物 Transaction ...
- 【数据挖掘】关联规则挖掘 Apriori 算法 ( 关联规则性质 | 非频繁项集超集性质 | 频繁项集子集性质 | 项集与超集支持度性质 )
文章目录 一. 非频繁项集超集性质 二. 频繁项集子集性质 三. 项集与超集支持度性质 参考博客 : [数据挖掘]关联规则挖掘 Apriori 算法 ( 关联规则简介 | 数据集 与 事物 Trans ...
最新文章
- 51nod 1282 时钟
- 2天训练出15亿参数大模型，国产开源项目力克英伟达Megatron-LM，来自LAMB作者团队...
- 使用String.intern减少内存使用
- Tensorflow入门——训练结果的保存与加载
- IIR+全通滤波器实现相位平衡_matlab仿真
- 互联网1分钟 |1105
- JavaScript 中 obj.hasOwnProperty(prop) 方法
- 《古剑奇谭2》详细测评心得
- python作业：高级FTP程序
- 关于/etc/shadow 文件的九段内容的详细解释
- 【亲测有效】win10下输入法突然变成繁体了怎么设置回来？
- 把C#当作脚本语言来用
- CKEditor4.7怎样实现上传图片，浏览服务器(无需ckfinder)，nodejs图片管理，字体居中，图片居中(超详细)...
- Go语言入门之指针的使用
- android （三）、Activity工作原理
- crm客户管理软件的精髓
- 四元数与欧拉角的相互转换
- ESPRIT 2019初学到走心机编程视频教程
- [树莓派3] [libreELEC] [Kodi] 及其相关Tips
- Altium Designer——usb信号线布线注意的问题——应使用差分布线