大数据挖掘: FPGrowth初识--进行商品关联规则挖掘
@(hadoop)[Spark, MLlib, 数据挖掘, 关联规则, 算法]
[TOC]
〇、简介
经典的关联规则挖掘算法包括Apriori算法和FP-growth算法。Apriori算法多次扫描交易数据库，每次利用候选频繁集产生频繁集；而FP-growth则利用树形结构，无需产生候选频繁集而是直接得到频繁集，大大减少扫描交易数据库的次数，从而提高了算法的效率。但是apriori的算法扩展性较好，可以用于并行计算等领域。
关联规则的目的就是在一个数据集中找出项与项之间的关系，适用于在大数量的项集中发现关联共现的项。也被称为购物篮分析 (Market Basket analysis)，因为“购物篮分析”很贴切的表达了适用该算法情景中的一个子集。
购物网站里你买了一个商品，旁边列出一系列买过该商品的人还买的其他商品，并且按置信度高低排序，一般会发现买手机的还会买充电器（买充电器的人不一定会买手机），买牙刷的还会买牙膏，这大概就是关联规则的用处。
基础环境：
CentOS-6.5
JDK-1.7
spark：spark-1.2.0+cdh5.3.6+379
一、Apriori算法
支持度（Support）：定义为
\[supp(X) = \frac{包含X的记录数}{数据集记录总数}= P(X)=\frac{occur(X)}{count(D)}\]
置信度（Confidence）： 定义为
\[ conf(X=>Y) = \frac{同时包含X和Y的记录数}{数据集中包含X的记录数}=P(Y|X)=\frac{P(X \cap Y)}{P(X)} = \frac{occur(X \cap Y)}{occur(X)}\]
FP-growth算法是Apriori算法的优化。
二、MLlib实现
spark-1.2.0 版本中Mliib的FPGrowthModel并没有generateAssociationRules(minConfidence)方法。因此要引用高版本的jar包，并在提交任务时指定才行。这是可以实现的。
Ⅰ、获取购买历史数据
下面共选取了6931条购买历史记录，作为关联规则挖掘的数据集。
1、产生源数据
我们可能需要使用类Mysql中的group_concat()来产生源数据。在Hive中的替代方案是concat_ws()。但若要连接的列是非string型，会报以下错误：Argument 2 of function CONCAT_WS must be "string or array<string>", but "array<bigint>" was found.。使用以下hiveSQL可以避免此问题：
SELECT concat_ws(',', collect_set(cast(item_id AS String))) AS items FROM ods_angel_useritem tb GROUP BY tb.user_id;得到item1,item2,item3式数据结构。
数据结构如下所示：
731478,732986,733494
731353
732985,733487,730924
731138,731169
733850,733447
731509,730796,733487
731169,730924,731353
730900
733494,730900,731509
732991,732985,730796,731246,7338502、构造JavaRDD
JavaRDD<List<String>> transactions = ...;Ⅱ、过滤掉出现频率较低的数据
Java代码：
//设置频率(支持率)下限
FPGrowth fpg = new FPGrowth().setMinSupport(0.03).setNumPartitions(10);
FPGrowthModel<String> model = fpg.run(transactions);
List<FPGrowth.FreqItemset<String>> list_freqItem = model.freqItemsets().toJavaRDD().collect();
System.out.println("list_freqItem .size: " + list_freqItem .size());
for (FPGrowth.FreqItemset<String> itemset : list_freqItem) {
System.out.println("[" + itemset.javaItems() + "], " + itemset.freq());
}结果：
[[734902]], 275
[[733480]], 1051
[[734385]], 268
[[733151]], 895
[[733850]], 878
[[733850, 733480]], 339
[[733152]], 266
[[733230]], 243
[[731246]], 500
[[731246, 733480]], 233
[[734888]], 231
[[734894]], 483
[[733487]], 467
[[740697]], 222
[[733831]], 221
[[734900]], 333
[[731353]], 220
[[731169]], 311
[[730924]], 308
[[732985]], 212
[[732994]], 208
[[730900]], 291\[\frac{208}{6931}=0.03001>0.03\]，6931是交易的订单数量，即数据源总条数。
可见，商品732994正好高于支持率下限。
Ⅲ、过滤掉可信度过低的判断
Java代码：
double minConfidence = 0.3; //置信下限
List<AssociationRules.Rule<String>> list_rule = model.generateAssociationRules(minConfidence).toJavaRDD().collect();
System.out.println("list_rule.size: " + list_rule.size());
for (AssociationRules.Rule<String> rule : list_rule) {
System.out.println(
rule.javaAntecedent() + " => " + rule.javaConsequent() + ", " + rule.confidence());
}结果：
[733480] => [733850], 0.3225499524262607
[731246] => [733480], 0.466
[733850] => [733480], 0.38610478359908884- \(P(733850|733480)=\frac{occur(733850 \cap 733480)}{occur(733480)}=\frac{339}{1051}=0.3225499524262607\)
- \(P(733480|731246)=\frac{occur(733480 \cap 731246)}{occur(731246)}=\frac{233}{500}=0.466\)
- \(P(733480|733850)=\frac{occur(733850 \cap 733480)}{occur(733850)}=\frac{339}{878}=0.38610478359908884\)
以上表明，用户在购买商品733480后往往还会购买商品733480，可信度为0.3225499524262607；用户在购买商品731246后往往还会购买商品731246，可信度为0.466；用户在购买商品733850后往往还会购买商品733480，可信度为0.38610478359908884。
三、提交任务
Ⅰ、Spark On Standalone
spark-submit --master spark://node190:7077 --class com.angel.mlib.FPGrowthTest --jars lib/hbase-client-0.98.6-cdh5.3.6.jar,lib/hbase-common-0.98.6-cdh5.3.6.jar,lib/hbase-protocol-0.98.6-cdh5.3.6.jar,lib/hbase-server-0.98.6-cdh5.3.6.jar,lib/htrace-core-2.04.jar,lib/zookeeper.jar,lib/spark-mllib_2.10-1.5.2.jar,lib/spark-core_2.10-1.5.2.jar spark-test-1.0.jar
Ⅱ、Spark On Yarn
spark-submit --master yarn-client --class com.angel.mlib.FPGrowthTest --jars lib/hbase-client-0.98.6-cdh5.3.6.jar,lib/hbase-common-0.98.6-cdh5.3.6.jar,lib/hbase-protocol-0.98.6-cdh5.3.6.jar,lib/hbase-server-0.98.6-cdh5.3.6.jar,lib/htrace-core-2.04.jar,lib/zookeeper.jar,lib/spark-mllib_2.10-1.5.2.jar,lib/spark-core_2.10-1.5.2.jar spark-test-1.0.jar
四、FPGrowth算法在现实中的应用调优
在实际情况中，真实的业务数据处处都是噪声。活用数据，设计有业务含义的特征体系，是构造鲁棒模型的基础！
具体的解决办法，我们可以多算法并用，这些将在后续的aitanjupt文章中详述。
五、综上所述
也就是说，“购买了该宝贝的人32%还购买了某某商品”就是使用商品关联规则挖掘实现的；还有一些捆绑销售，例如牙膏和牙刷一起卖，尿布和啤酒放在一起卖。
关联规则挖掘算法不只是能用在商品销售，使用它我们可以挖掘出更多的关联关系，比如我们可以挖掘出，温度、天气、性别等等与心情之间是否有关联关系，这是非常有意义的。
关联规则挖掘算法应用场景非常庞大，遥记多年前做的手机用户关联分析，那时尚未用到关联规则挖掘算法，用的是自己编写的类join算法，现在看起来，关联规则挖掘算法是再适合不过的了。
上面是mllib下所有的算法。
某一数据挖掘算法可以做某种特定的分析，也可以跨界使用，还可以联合应用，重要的是理解其思想以灵活运用。
幸福是有一颗感恩的心，健康的身体，称心的工作，一位深爱你的人，一帮信赖的朋友！
祝大家小年快乐！
作者 @王安琪
http://www.cnblogs.com/wgp13x/
2016 年 02月 02日