Apriori算法有支持度和置信度两个概念，都是在执行算法之前自己设定的，在每一次迭代过程后，大于支持度的项集被保留为频繁项集，最后生成的规则由最终的频繁项集组成。
一、支持度
支持度就是所有我们分析的交易中，某两种（若干种）商品同时（这里的同时，一般意味着同单或者一次独立的交易）被购买的概率（比率）。我们选择支持度的最终目的就是找出同时被购买的两个商品，可以提高我们的推荐转换率，从而增加收入。那么可以选出支持度最高的前n对（以下分析仅考虑两种商品，简称“对”）商品，我通常是选择总对数的万分之一或者是前20个。这样的数量不会很多，可以比较快的进行下一步分析，而且做推荐，要记住一点，“不能急功近利”。
根据万分之一或者前20，可以得到一个支持度，其实这个时候的支持度阀值，对本次分析已经意义不大了，主要是用于后续推荐系统的智能学习提供一个参考值。
二、置信度
置信度就是根据某一个条件，得到一个结论的可信程度、可靠程度。例子中，“购买了尿布”这个条件，可以推出“同时也会购买啤酒”这个结论的可靠程度很高，百度百科关联规则_百度百科 中分析的数据表明沃尔玛尿布到啤酒的置信度高达70%。
在分析支持度得到的前20对商品中，分别计算双向置信度（购买a同时购买b和购买b同时购买a的置信度都要算），然后筛选中前n个置信度较高的置信度，分析其对应的结论。通过有经验的业务人员，从*同选出最合理的一对商品，来进行单向的购物车推荐。这时得到的一个置信度，可以作为今后机器学习的参考值。
个人觉得机器学习要做到全自动，几乎不可能，特别是对于我这种初学者，现在还接触不到。因此个人比较偏向半自动和人工分析辅助来完成一些功能。
支持度就是所有我们分析的交易中，某两种（若干种）商品同时（这里的同时，一般意味着同单或者一次独立的交易）被购买的概率（比率）。我们选择支持度的最终目的就是找出同时被购买的两个商品，可以提高我们的推荐转换率，从而增加收入。那么可以选出支持度最高的前n对（以下分析仅考虑两种商品，简称“对”）商品，我通常是选择总对数的万分之一或者是前20个。这样的数量不会很多，可以比较快的进行下一步分析，而且做推荐，要记住一点，“不能急功近利”。
根据万分之一或者前20，可以得到一个支持度，其实这个时候的支持度阀值，对本次分析已经意义不大了，主要是用于后续推荐系统的智能学习提供一个参考值。
二、置信度
置信度就是根据某一个条件，得到一个结论的可信程度、可靠程度。例子中，“购买了尿布”这个条件，可以推出“同时也会购买啤酒”这个结论的可靠程度很高，百度百科关联规则_百度百科 中分析的数据表明沃尔玛尿布到啤酒的置信度高达70%。
在分析支持度得到的前20对商品中，分别计算双向置信度（购买a同时购买b和购买b同时购买a的置信度都要算），然后筛选中前n个置信度较高的置信度，分析其对应的结论。通过有经验的业务人员，从*同选出最合理的一对商品，来进行单向的购物车推荐。这时得到的一个置信度，可以作为今后机器学习的参考值。
个人觉得机器学习要做到全自动，几乎不可能，特别是对于我这种初学者，现在还接触不到。因此个人比较偏向半自动和人工分析辅助来完成一些功能。
作者：知乎吴健
链接：http://www.zhihu.com/question/22574269/answer/22227427
链接：http://www.zhihu.com/question/22574269/answer/22227427
离线进行关联规则的运算，在线结合实时访问页面，根据离线计算的关联规则进行实时推荐。