买了A反而不买B的负关联规则

可视化演示

动态演示买了A反而不买B的负关联规则的核心机制，通过源头/管道/节点/终端四种模式展示关键概念与交互流程。

负关联概念

老陈的账本里除了“黄金搭档”那一页，还有一页“火锅冤家”：麻辣锅底和清汤锅底几乎从不同桌出现，酸梅汤和热豆浆也互不相让。生活里这种“有你没我”的搭配比比皆是：有人买了豆浆就不买牛奶，有人有了 Switch 就不买 PS5，买了安卓手机就不再买苹果配件。负关联规则，就是专门从购物记录里挖出这些“回避关系”的算法。

正关联规则关注“A 出现时 B 也出现”的概率高不高，负关联规则正好反过来：A 出现时，B 反而不出现。一条负关联规则写作 A⇒¬B，读作“买了 A 就不买 B”。它不是什么玄学，而是用概率刻画“回避”：在所有订单里，同时包含 A 又不包含 B 的比例必须足够明显，才称得上规则。

支撑这条规则的第一把尺子是支持度：

老陈按这个公式一算：麻辣锅底和清汤锅底的支持度是 0.51，也就是说超过一半的桌都严格“二选一”。这个数字让他确信，“火锅冤家”不是错觉，而是一条值得记录下来的负关联规则。

支持度置信度

光知道“冤家名单”还不够，老陈还想知道这张名单有多可靠：如果一个客人点了麻辣锅底，他到底有多大概率真的不点清汤？支持度回答“这条规则覆盖了多少数据”，但覆盖广不等于规律稳。好比一个县里 90% 的人都说“我不吃香菜”，可这话放在火锅店就不一定成立——还得看点了麻辣锅底的人里，有多少真的避开了清汤。

这把新尺子叫置信度，它回答的是条件概率问题：“在前件成立”的前提下，后件有多大概率成立。置信度越高，说明“买 A 就回避 B”的行为越稳定。

支持度和置信度要搭配使用，像一对质检员：支持度太低，样本太少，结论不可信；置信度太低，即使样本够，规律也不稳定。比如“买了清汤锅底的人不点麻辣”支持度只有 0.15，就算置信度再高，覆盖的顾客太少，也不值得为它调整菜单。老陈最后算出来，“麻辣→不点清汤”的支持度 0.51、置信度 0.93，双双过关；而“锅里加枸杞→不点冰啤”支持度只有 0.02，方向虽对，样本太少，只配当花边新闻。

提升度判负相关

账本上还有一件怪事让老陈挠头：点了麻辣锅底的桌，点雪花肥牛的比例也不低。那“麻辣→不点清汤”到底是因为两种锅底真的互斥，还是因为清汤锅底本来就没什么人点？好比班里 90 分以上的同学都不戴帽子，你能说“考高分和戴帽子互斥”吗？不能——因为全班本来就不怎么有人戴帽子。这时候需要第三把尺子：提升度，它把规则放到“全店基线”里比一比。

提升度的思想很朴素：先假设 A 和 B 互不影响，算出“本来应该有多少人同时买它们”，再看实际同时买了多少。实际远低于期望，说明 A 的出现压低了 B；实际远高于期望，说明 A 拉动了 B。

火锅店的例子里，清汤锅底的基线比例只有 0.17，按独立假设，麻辣桌里本应有约 0.09 桌点清汤；实际只有 0.04，lift≈0.38，明显小于 1，“互斥”坐实了。反过来，毛肚和鸭肠的 lift≈2.1，是标准的“黄金搭档”。老陈这下明白：光有名单和可靠性还不够，还得排除“本来就没几个人点”的错觉。三把尺子量完，他才敢说“麻辣与清汤水火不容”。

正负规则辨析

老陈的菜单上有两页：一页叫“搭档”，一页叫“冤家”。正关联规则像餐厅里的“食客结伴”——看到毛肚和鸭肠总是一起出现；负关联规则像“座位回避”——有人喜欢靠窗，有人死活不坐窗边。一个管“相伴”，一个管“回避”，看起来是冤家对头，实际上是同一枚硬币的两面。

从数学上看，正负规则共用同一套统计原料，只是视角相反。对同一对商品 A、B，“买 A 也买 B”和“买 A 不买 B”是互斥且完备的两个事件，它们的置信度加起来恒等于 1：

这也解释了为什么“买了麻辣锅底的人也顺手点清汤锅底”这种正规则支持度极低——因为它和负规则天然互补。电商里到处是这种镜像：买了 iPhone 的人不买安卓通用配件，买了无糖饮料的人不买含糖饮料。不过要注意，负规则的挖掘难度比正规则高：正规则靠“频繁项集”的单调性可以大幅剪枝，负规则要找的恰恰是“不共现”，候选组合更多，还得逐个做方向检验。老陈把两页菜单贴在一起看：毛肚配鸭肠是“同路人”，麻辣配清汤是“陌路人”。一个老板既要知道谁和谁要好，也要知道谁和谁不对付，才能把店经营得滴水不漏。

负关联挖掘法

有了三把尺子，怎么批量找出所有“火锅冤家”？总不能把菜单上 100 种菜两两配对，人工逐一排查。老陈需要一条流水线：先生成候选名单，再让质检员筛一遍，最后请提升度签字确认。

这条流水线分三步。第一步生成候选对：先按单品支持度筛掉太冷门的商品，剩下的两两配对。第二步双阈值剪枝：要求负支持度足够高、负置信度足够稳，把“覆盖太窄”和“规律太飘”的候选直接淘汰。第三步做提升度方向检验：确认 A 与 B 的共现概率确实低于独立基线，排除“本来就没多少人买 B”的错觉。三步全部通过，才正式登记为负关联规则。

工程上还有个常用的技巧：把 ¬B 当成一个“伪商品”塞进数据集，用改造过的 Apriori 在同一套框架里挖负规则，只是候选空间会膨胀，需要按支持度排序后分批验证。老陈的流水线跑了一天，产出 20 对“冤家”，里面既有锅底互斥这种意料之中的，也有“鹅肠和热豆浆”这种没想到的——后来一查才发现，天热时点鹅肠的客人爱配冰啤酒。这让他明白：机器挖出的只是线索，最终还得回到店里验证。

商业应用落地

流水线跑通了，老陈开始用“冤家名单”赚钱。他把菜单重新排了版：麻辣锅底和清汤锅底分开放在两页，再也没人点完麻辣后对着清汤发呆；点麻辣锅底的桌，服务员会主动送一小碗冰粉，说是“解辣神器”，客人眼睛都亮了。

这套玩法搬到更大的商业场景里，就是四大应用。第一，互斥商品排查：把负关联规则挖出的组合从套餐和推荐位里拿掉，避免“推荐了也白推荐”。第二，反向推荐：既然买了 A 不买 B，那就给 A 用户推“B 的替代品”，把回避关系变成新的转化机会。第三，品类陈列优化：互斥品分架陈列，中间插入互补品，延长顾客动线。第四，错峰促销：把优惠券投给“回避关系”的另一端商品，避免券发到不相关的客群手里浪费预算。衡量效果时，要用负关联规则自己的提升度：

电商里同样好用：买了奶粉的顾客反而不买咖啡，说明客群错位，母婴区不该塞咖啡券；买了健身器材的人不买膨化零食，那就反向推荐蛋白粉和瑜伽垫。三个月后，老陈的店因为反向推荐小食和饮品，客单价涨了 12%。他终于明白：被拒绝的商品不是垃圾信息，而是通往用户真实需求的另一条路。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""负关联规则挖掘：找出"买了A反而不买B"的商品对"""from itertools import combinationsfrom collections import defaultdict # 模拟火锅店点单流水：每桌是一个商品集合orders = [    {"麻辣锅底", "毛肚", "酸梅汤"},    {"麻辣锅底", "鸭肠", "毛肚"},    {"清汤锅底", "肥牛", "豆浆"},    {"麻辣锅底", "毛肚"},    {"清汤锅底", "青菜", "肥牛"},    {"麻辣锅底", "鸭肠", "冰粉"},    {"清汤锅底", "豆浆"},    {"麻辣锅底", "毛肚", "冰粉"},    {"清汤锅底", "肥牛"},    {"麻辣锅底", "鸭肠"},] def mine_negative_rules(orders, min_sup=0.2, min_conf=0.7):    """返回负关联规则列表，每项为 (A, B, 支持度, 置信度, 提升度)"""    n = len(orders)    item_sup = defaultdict(int)    for order in orders:        for item in order:            item_sup[item] += 1    items = [it for it, c in item_sup.items() if c / n >= min_sup]    rules = []    for A, B in combinations(items, 2):        sup_A = item_sup[A] / n        sup_B = item_sup[B] / n        sup_AB = sum(1 for o in orders if A in o and B in o) / n        sup_AnB = sup_A - sup_AB                 # 买A不买B的支持度        conf_AnB = sup_AnB / sup_A if sup_A else 0        lift_AB = sup_AB / (sup_A * sup_B) if sup_A * sup_B else 0        if sup_AnB >= min_sup and conf_AnB >= min_conf and lift_AB < 1:            rules.append((A, B, sup_AnB, conf_AnB, lift_AB))    rules.sort(key=lambda r: r[4])   # 提升度越小，负关联越强    return rules def main():    print("发现负关联规则（买了A反而不买B）：")    for A, B, sup, conf, lift in mine_negative_rules(orders):        print("{} -> 不买{} | 支持度={:.2f} 置信度={:.2f} 提升度={:.2f}".format(            A, B, sup, conf, lift)) if __name__ == "__main__":    main()

1. item_sup[item] += 1逐单统计每个商品的出现次数，得到单品支持度的原料。
2. items = [it for it, c in item_sup.items() if c / n >= min_sup]先按最小支持度剪枝，太冷门的商品不参与配对。
3. sup_AnB = sup_A - sup_AB用“买 A 的占比”减去“A 和 B 都买”的占比，巧妙算出“买 A 不买 B”的支持度。
4. lift_AB = sup_AB / (sup_A * sup_B) if sup_A * sup_B else 0提升度小于 1 说明共现比独立假设还少，判定为负关联。
5. rules.sort(key=lambda r: r[4])按提升度从小到大排序，把最“水火不容”的商品组合排在前面。

常见误区

面试题