关联规则的常用算法

关联规则(association rules)是一种广泛使用的模式识别方法,比如在购物篮分析(Market basket Analysis),网络连接分析(Web link),基因分析。我们常常提到的购物篮分析,它的典型的应用场景就是要找出被一起购买的商品集合。

关联规则的可能的应用场景有:

  • 优化货架商品摆放,或优化邮寄商品目录的内容
  • 交叉销售和捆绑销售
  • 异常识别等

关于交易数据的表述形式

先说最简单的三种形式,水平表述、垂直表述和矩阵表述,直接看图:

接着是稍稍变换之后的两种表述形式:

  • 排序表述(lexicographically sorted)
  • 前缀树表述(prefix tree)

这三种数据表述形式(水平、垂直、前缀树)分别对应算法:apriori、Eclat 和 FP growth,本篇主要描述 apriori 和 FP growth 两种算法。

Apriori 算法

Apriori算法是一种最有影响的挖掘 0-1 布尔关联规则频繁项集的算法。这种算法利用了频繁项集性质的先验知识(因此叫做priori)。Apriori使用了自底向上的实现方式(如果集合 I 不是频繁项集,那么包含 I 的更大的集合也不可能是频繁项集),k - 1 项集用于探索 k 项集。首先,找出频繁 1 项集的集合(\(L_1\)),\(L_1\)用于找频繁 2 项集的集合 \(L_2\),而 \(L_2\) 用于找 \(L_3\),如此下去,直到不能找到满足条件的频繁 k 项集。搜索每个 \(L_k\) 需要一次全表数据库扫描。

我们假设一个很小的交易库:{1,2,3,4}, {1,2}, {2,3,4}, {2,3}, {1,2,4}, {3,4}, {2,4}

首先我们先要计算发生频数(或者叫做support)

item support
{1} 3
{2} 6
{3} 4
{4} 5

1项集的最低频数是3,我们姑且认为他们都是频繁的。因此我们找到1项集所有可能组合的pairs:

item support
{1,2} 3
{1,3} 1
{1,4} 2
{2,3} 3
{2,4} 4
{3,4} 3

在这里,{1,3}, {1,4} 不满足support大于3的设定(一般support是3/(3 + 6 + 4 + 5)),因此还剩下的频繁项集是:

item support
{1,2} 3
{2,3} 3
{2,4} 4
{3,4} 3

也就是说,包含{1,3}, {1,4}的项集也不可能是频繁的,这两条规则被prune掉了;只有{2,3,4} 是可能频繁的,但它的频数只有2,也不满足support条件,因此迭代停止。

但我们可以想象,这种算法虽然比遍历的方法要好很多,但其空间复杂度还是非常高的,尤其是 \(L_1\) 比较大时,\(L_2\) 的数量会暴增。而且每次Apriori都要全表扫描数据库,开销也非常大。

即便如此 apriori 算法在很多场景下也足够用。在R语言中使用 arules 包来实现此算法(封装的是C实现,只要装载的 sparse matrix 可以载入内存,support 设置合理,速度非常快)。

FP growth

前文提到了用apriori需要全表扫描,对于超大型数据会出现一些问题。如果有一种方法,可以不每次全表扫描,而是用一个简洁的数据结构(压缩之后的数据库)把整个数据库的信息都包含进去,通过对数据结构的递归就完成整个频繁模式的挖掘,并保证最低的搜索消耗。这种方法的其中一种实现便是 FP growth算法。这个算法因为数据结构的 size 远远小于原始的数据库,所有的数据操作可以完全在内存中计算,挖掘速度就可以大大提高。

FP growth 算法包含两部分:存储的FP tree 和对应的FP 算法:

FP-tree 的结构

想想开头提到的交易数据的前缀树表述,那是一种压缩数据的方法。J. Han 对 FP-tree 的定义如下:

  1. 根节点被标记为 root,item 按照一定的顺序连接为子树。以及一个frequent-item-header 表(其实就是item按照出现频率排序的表格,下图中左侧的表格)
  2. 每个子树上包含如下信息:
    • item 的名称(比如下图中I2, I3, I5等)
    • 计数(support count):到达这个节点的路径深度
    • 节点的连接情况(node-link,和哪个节点有关系)

FP-tee 的算法

我们拿一个例子来说明问题。假如我们数据库中记录的交易信息如下(最低support为3):

No. transactions Sort
1 ABDE BEAD
2 BCE BEC
3 ABDE BEAD
4 ABCE BEAC
5 ABCDE BEACD
6 BCD BCD

首先我们先要了解所有的一项集出现的频率(support,重新排序的结果见上图的Sort部分):B(6), E(5), A(4), C(4), D(4)。

对于排序后的每条记录的迭代后 FP-tree 结构变化过程为(也就是一条一条计数的增加):

也就是说,原始数据被压缩到和最后那张图一样的结构上。

接着是比较关键的 FP-tree 的挖掘,过程见下图:

对于D这个节点来说,首先它的频繁项集是 \(D(4)\),它包含在三条链路里:

1
( B(6),E(5),A(4) ), ( B(6),E(5),A(4),C(2) ), ( B(6),C(1) )

第一条链路里D有两次出现,而其他两个链路在D的条件下各出现了一次。因此我们说D有3个前缀路径

1
(BEA:2),(BEAC:1),(BC:1)

根据这个信息我们重构D条件下的 FP-tee,则如下图中 \(Project:D(4)\) 的结构。当然还没有完,还要继续搜索可能的规则,因为我们的 support 为3,因此 \(Project:D(4)\) 中,最末端的两个 \(C(1)\) 则应该减枝掉。而A、E、B的频数依然可以被使用,即 \(DA(3)、DE(3)、DB(4)\)

  • 对于 \(DA(3)\) 的前缀路径是 \(Project:DA(3)\) 的树形结构,因此这条线的最终结果是 \(DAE(3),DAEB(3),DAB(3)\)
  • 对于 \(DE(3)\) 的前缀路径是 \(Project:DE(3)\) 的属性结构,最终结果是 \(DEB(3)\)
  • 对于 \(DB(4)\) 只有一个根,没有结果

对于C这个节点来说,同样可以找到它的前缀路径 \((BEA:2),(BE:1),(B:1)\),因此得到 \(Project:C(4)\) 的结构,A被减枝掉,则最后剩余了 \(CE(3),CEB(3),CB(4)\)

再向上,找A节点;找E节点;找B节点;这样一步一步搜索所有可能的结果。最终满足support大于3条件的频繁项集即为 $ DAE, DAEB, DAB, DEB, CE, CEB, CB, AE, AEB, AB, EB $

当然,上面只是简单的把 FP-tree 的原理说明了一下,里面的一些trick并没有提及,感兴趣的读者可以找一找相关paper。

FP-tree 算法在R中的实现

在R中没有现成的包来做这个事情,但有意思的是arules包的作者也写了 FP-tree 算法,只是没有封装而已。当然只要有算法的C代码,嵌入到R环境中也是不难的。

先到作者的主页下载相关的源代码,我选择是的fpgrowth.zip的C代码编译通过。

1
2
3
4
cd /home/liusizhe/download/fpgrowth/fpgrowth/src/
make
make install
./fpgrowth -m2 -n5 -s0.075 /home/liusizhe/experiment/census.dat frequent

参数的话,可以直接参考 fpgrowth 的帮助,比如上面m对应的是最小项集,n对应的最大项集,s是support值,后面接了 inputfile 和 outputfile 两个文件。


当然,如果有必要的话,上面的算法都可以写到并行架构,比如 map-reduce。甚至如果只是求解二项集,在不同的语言环境下甚至几行代码就可以搞定。

参考目录和延伸阅读

  • http://en.wikipedia.org/wiki/Association_rule_learning
  • http://en.wikipedia.org/wiki/Apriori_algorithm
  • http://www.borgelt.net//courses.html#fpm