blocks|key|4561858|text|如果你的号码是整数，你可以“黑”这个限制(为什么要正常化到0+1?)和小的：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|4561859|apple+banana+apple|code-block|syntax|javascript|4561860|变成了|4561861|apple+banana+apple_2|4561862|，这样就可以找到如下的关联规则|4561863|banana+=>+apple,+apple_2|4561864|但是你需要混合一些聪明的过滤器，这样才不会得到一些无用的规则|4561865|apple_2+=>+apple|4561866|entityMap^0|0|0|0|0|0|0|0|0^^$0|@$1|2|3|4|5|6|7|U|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|V|8|@]|9|@]|A|$E|F]]|$1|G|3|H|5|6|7|W|8|@]|9|@]|A|$]]|$1|I|3|J|5|D|7|X|8|@]|9|@]|A|$E|F]]|$1|K|3|L|5|6|7|Y|8|@]|9|@]|A|$]]|$1|M|3|N|5|D|7|Z|8|@]|9|@]|A|$E|F]]|$1|O|3|P|5|6|7|10|8|@]|9|@]|A|$]]|$1|Q|3|R|5|D|7|11|8|@]|9|@]|A|$E|F]]|$1|S|3|-4|5|6|7|12|8|@]|9|@]|A|$]]]|T|$]]

You can "hack" around this limitation if your nubers are integer (why normalize to 0 1?) and small:

<pre><code>apple banana apple
</code></pre>

becomes

<pre><code>apple banana apple_2
</code></pre>

which would allow to find association rules like

<pre><code>banana =&gt; apple, apple_2
</code></pre>

but you need to mix in some clever filters to not get useless rules like

<pre><code>apple_2 =&gt; apple
</code></pre>

blocks|key|4561892|text|是。项目集挖掘问题有一些变体，可以让您指定其他信息。例如，高实用程序项集挖掘算法允许您为事务中出现的每个项指定一个数量，以及为每个项指定一个权重。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|4561893|entityMap^0|0^^$0|@$1|2|3|4|5|6|7|D|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|E|8|@]|9|@]|A|$]]]|C|$]]

Yes. There are some variations of the itemset mining problem that will let you specify additional information. For example, high utility itemset mining algorithms let you specify a quantity for each item occuring in a transaction, as well as a weight for each item.

blocks|key|2231850|text|项-项协作过滤与基于相似度的数据挖掘技术(如关联规则挖掘)非常相似。此外，协作过滤用于处理连续的序数值，例如星级或Likert分级:这通常是来自用户的偏好信息。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|2231851|基于内容的过滤可能是您所描述的情况的最佳选择。它允许项属性和权重(不更改该项的每个用户)，然后接受用户对每个项的首选项(该项的每个用户都会更改)。|2231852|如果您希望更改每个用户项对的首选项(计数)和属性，我不知道有一个处理该问题的算法。通常的算法是为每个用户项目对建立一个输入。|2231853|entityMap^0|0|0|0^^$0|@$1|2|3|4|5|6|7|H|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|I|8|@]|9|@]|A|$]]|$1|D|3|E|5|6|7|J|8|@]|9|@]|A|$]]|$1|F|3|-4|5|6|7|K|8|@]|9|@]|A|$]]]|G|$]]

Item-item collaborative filtering is quite similar to similarity-based data mining techniques like association rule mining. Moreover, collaborative filtering was built to handle continuous and ordinal values, such as star ratings or a Likert scale: this is usually preference information from users.

Content-based filtering is probably your best bet for the situation you describe. It allows for item attributes and weights (that do not change per user for that item), then takes in user preference for each item (that does change per user for that item).

If you want both preference (counts) and attributes to change for each user-item pair, I don't know of an algorithm that handles that. Usually algorithms are built for one input per user-item pair.

I have a dataset with mostly integer values. I want to apply association rule mining on it. I have taken a look at the popular algorithms like Apriori, etc. but all of them work on data which have boolean values, i.e., either the item exists in the transaction or doesn't. 

Is there an algorithm which lets us account for values of the attributes in addition to their counts? (I plan to normalize the data to have values between 0 and 1)

Association rule mining

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

我有一个具有大多数整数值的数据集。我想在上面应用关联规则挖掘。我看过流行的算法，如Apriori等，但它们都处理具有布尔值的数据，即，项存在于事务中还是不存在。是否有一种算法，让我们除了计算属性的数量之外，还可以计算属性的值？(我计划将数据正常化，使其值介于0到1之间)

问关联规则挖掘
EN

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问关联规则挖掘EN