关联规则和协同过滤推荐的最终目的是一致的吧？

人脉断舍离，我现在的处境最真实的写照，突然豁然开朗了…学习如此，生活亦如此，感谢老师。

有趣的关联规则。 平时火急火燎的总觉得什么都想学，然而却苦于一天只有24小时...人拥有的时间真的不多，我们大概率只是做些跟自己关联比较强的东西，这一讲说的真好~

一般使用以下三个指标来衡量关联性： 1.支持度（Support） 支持度表示项集{X,Y}在总项集里出现的概率。表示A和B同时在总数I 中发生的概率，公式为： Support(X→Y) = P(X,Y) / P(I) = P(X∩Y) / P(I) = num(X∩Y) / num(I) 其中，I表示总事务集。num()表示求事务集里特定项集出现的次数。 2.置信度 （Confidence） 置信度表示在先决条件X发生的情况下，由关联规则”X→Y“推出Y的概率。表示在发生X的项集中，同时会发生Y的可能性，即X和Y同时发生的个数占仅仅X发生个数的比例，公式为： Confidence(X→Y) = P(Y|X) = P(X,Y) / P(X) = P(X∩Y) / P(X) 3.提升度（Lift） 提升度表示含有X的条件下，同时含有Y的概率，与只看Y发生的概率之比。提升度反映了关联规则中的X与Y的相关性，提升度>1且越高表明正相关性越高，提升度<1且越低表明负相关性越高，提升度=1表明没有相关性，即相互独立。 Lift(X→Y) = P(Y|X) / P(Y)

我认为有支持度和置信度还不够，评价效果还得看提升度。就比如在第二节“关联规则算法初探”的表格里的例子： - 总共6次购买，4次买了尿布，尿布的支持度约为0.67； - 买了5次啤酒，其中3次买了尿布，(啤酒→尿布)的置信度为0.6； - 那么，提升度(啤酒→尿布)=置信度(啤酒→尿布)/支持度(尿布)<1。说明啤酒对尿布没有提升作用，反而有副作用。 但我不明白为什么文章里的结论是“啤酒→尿布是一个有关联性的规则”。是我计算方法的问题吗？有没有人计算过这个？请老师和同学们指教。

推荐系统可以认为是关联规则的体现。 “连坐”算法把整体无关的事务、人脉做到断舍离，留下精力把和你最强的关联关系的事情做好。我们需要把80%精力花在20%重要的事情上

真好，人生也是这个道理。要找到自己强关联的事情并做好，而不是什么关联的都要尝试下，学会舍弃一些无关紧要的事情和目标，挖掘真正属于自己的事情。人生足矣

老师你好， 提升度 (A→B)= 置信度 (A→B)/ 支持度 (B) 这里的支持度是不是A+B发生的次数，不是B单独呢？

提升度 >1，证明 A 和 B 的相关性很高，A 会带动 B 的售卖； 提升度 =1，无相关性，相互没作用； 提升度 <1，证明 A 对 B 有负相关，也就是这两个商品有排斥作用，买了 A 就不会买 B。 这个提升度感觉好像经济学里的替代品和互补品