频繁项集挖掘算法之FPGrowth

背景：

        频繁项集挖掘算法用于挖掘经常一起出现的item集合（称为频繁项集），通过挖掘出这些频繁项集，当在一个事务中出现频繁项集的其中一个item，则可以把该频繁项集的其他item作为 推荐。 比如经典的购物篮分析中啤酒、尿布故事，啤酒和尿布经常在用户的购物篮中一起出现，通过挖掘出啤酒、尿布这个啤酒项集，则当一个用户买了啤酒的时候可以为他推荐尿布，这样用户购买的可能性会比较大，从而达到组合营销的目的。

        常见的频繁项集挖掘算法有两类，一类是Apriori算法，另一类是FPGrowth。Apriori通过不断的构造候选集、筛选候选集挖掘出频繁项集，需要多次扫描原始数据，当原始数据较大时，磁盘I/O次数太多，效率比较低下。FPGrowth算法则只需扫描原始数据两遍，通过FP-tree数据结构对原始数据进行压缩，效率较高。

        FPGrowth算法主要分为两个步骤：FP-tree构建、递归挖掘FP-tree。FP-tree构建通过两次数据扫描，将原始数据中的事务压缩到一个FP-tree树，该FP-tree类似于前缀树，相同前缀的路径可以共用，从而达到压缩数据的目的。接着通过FP-tree找出每个item的条件模式基、条件FP-tree，递归的挖掘条件FP-tree得到所有的频繁项集。算法的主要计算瓶颈在FP-tree的递归挖掘上，下面详细介绍FPGrowth算法的主要步骤。

FPGrowth的算法步骤：

• FP-tree构建

• 1. 第一遍扫描数据，找出频繁1项集L，按降序排序
  2. 第二遍扫描数据：
     • 对每个transaction，过滤不频繁集合，剩下的频繁项集按L顺序排序
     • 把每个transaction的频繁1项集插入到FP-tree中，相同前缀的路径可以共用
     • 同时增加一个header table，把FP-tree中相同item连接起来，也是降序排序
     •  ==> 

• 频繁项挖掘
• 1. 从header table的最下面的item开始，构造每个item的条件模式基（conditional pattern base）
     • 顺着header table中item的链表，找出所有包含该item的前缀路径，这些前缀路径就是该item的条件模式基（CPB）
     • 所有这些CPB的频繁度（计数）为该路径上item的频繁度（计数）
     • 如包含p的其中一条路径是fcamp，该路径中p的频繁度为2，则该CPB fcam的频繁度为2
     • 
       
  2. 构造条件FP-tree（conditional FP-tree）
     • 累加每个CPB上的item的频繁度（计数），过滤低于阈值的item，构建FP-tree
     • 如m的CPB{<fca:2>, <fcab:1>}，f:3, c:3, a:3, b:1, 阈值假设为3，过滤掉b
     • 
       
  3. FP-Growh：递归的挖掘每个条件FP-tree，累加后缀频繁项集，直到找到FP-tree为空或者FP-tree只有一条路径（只有一条路径情况下，所有路径上item的组合都是频繁项集）
  • • 
      

注意点：

• FP-Tree中header table按item降序排序原因

1. 1. 共用前缀：不排序会造成不能共用前缀
      • 
        
   2. 更多的共用前缀：频繁的item会在树的上层，可以被更多的共享；升序排序会造成那些频繁出现的item出现在树的分支中，不能更多的共用前缀
      • 
        

参考文献：

• Mining Frequent Patterns without Candidate Generation: A Frequent-Pattern Tree Approach∗、PPT
• mahout并行化FPGrowth实现