加权关联规则挖掘（以apriori和fp-tree算法为例）的权值计算。

以下面的数据为例来进行说明，表2中的交易权重和归一化权重只是截图结果，这里的具体数值可不要考虑。

加权支持度的计算为Sup（B）=count（B）*W（B）/总数；Sup（BD）=count（BD）*W（BD）/总数。

这里就是讨论W（BD）有几种计算方法及其优劣。

根据表1和表2可以很容易计算出单个项目的支持度，如Sup（B）=5*1/6=0.83

若要计算多个项目的支持度，如Sup（BD），Sup（BDA）那么项集BD或BDA的权值应该如何选取，即计算交易权重的方法，有以下几种：

1、取每条交易记录的最大值，如BDAC中权值最大的那个作为权值

2、取平均值，表2的交易权重即为该方法计算得出，这样计算不能突出重点项目

3、归一化值：W_i''=W_i/(W₁+W₂+……+W_k) ；W=(W₁''+W₂''+……+W_k'')/n，权值可能很小

4、

5、该方法的权值可能大于1

6、W（AB）=W(A)*W(B)/(W(A)+W(B))

7、若数据有两个维度，即X，Y分别属于不同维度，如X表示所购买的商品，Y表示购买的位置，则权值可以这样计算：W（X）*W（Y）

若权值大于1，可以进行归一化处理。

总之，权值的计算还有很多方法，计算时要根据自己数据的特点来选定。但是要注意关联规则挖掘的频繁及向下封闭的特性，即如果{AB}或{C}不频繁，则{ABC}也不频繁。如上述方法1、2就不可保证该特性，会造成数据的流失。这时候需要对关联规则算法进行改进，来适应权值的需要。