0

Michael Hahsler 教授recommenderlab编写的很棒的 R 包提供了一个推荐模型，该模型基于从他的另一个 R 包派生的关联规则。arules

recommenderlab可以在此处的另一篇文章中找到根据文档改编的最小示例代码。

学习到的 AR 推荐模型可用于在给定用户 ID 的情况下进行预测/推荐。

pred <- predict(rec, dat[1:5,])
 as(pred, "list")
   [[1]]
   [1] "whole milk"     "rolls/buns"     "tropical fruit"

   [[2]]
   [1] "whole milk"

   [[3]]
   character(0)

   [[4]]
   [1] "yogurt"        "whole milk"    "cream cheese " "soda"         

   [[5]]
   [1] "whole milk"

我理解预测基本上是首先从训练数据集中挖掘的规则集（R）中找到所有匹配的 LHS。然后推荐支持度/置信度/提升度得分最高的匹配规则中的 N 个唯一 RHS。

所以我的问题是你如何获得匹配的 LHS 规则进行预测？

从源代码中我们可以看到

m <- is.subset(lhs(model$rule_base), newdata@data)
for(i in 1:nrow(newdata)) {
      recom <- head(unique(unlist(
        LIST(rhs(sort(model$rule_base[m[,i]], by=sort_measure)),
          decode=FALSE))), n)

      reclist[[i]] <- if(!is.null(recom)) recom else integer(0)
    }

我设法rule_base通过训练模型访问

rule_base <- getModel(rec)$rule_base

但随之而来的另一个问题是，为什么head(unique(unlist(LIST(rhs(sort(model$rule_base[m[,i]], by=sort_measure)), decode=FALSE))), n)不先分组，rhs然后聚合，然后sort_measure再lhs排序？

4

1 回答 1

1

head(unique(unlist(LIST(rhs(sort(model$rule_base[m[,i]], by=sort_measure)), decode=FALSE))), n)获取与 LHS 匹配的所有规则，按度量对其进行排序，然后返回n具有最高度量的唯一 RHS 项。

如果规则库中有多个具有相同 RHS 的匹配规则，我猜您正在考虑聚合度量。我也考虑过这一点，但后来决定使用首场比赛的策略。主要原因是创建关联规则/频繁项集的方式。您会发现对于每个较长的规则，许多较短的规则具有相同的 RHS，因此通过加法聚合度量对我来说没有太大意义。

于 2018-06-19T15:11:55.913 回答