************************FPgrowth概述和apirior的比較*********************************
頻繁項集挖掘算法用於挖掘經常一起出現的item集合（稱爲頻繁項集），通過挖掘出這些頻繁項集，當在一個事務中出現頻繁項集的其中一個item，則可以把該頻繁項集的其他item作爲推薦。比如經典的購物籃分析中啤酒、尿布故事，啤酒和尿布經常在用戶的購物籃中一起出現，通過挖掘出啤酒、尿布這個啤酒項集，則當一個用戶買了啤酒的時候可以爲他推薦尿布，這樣用戶購買的可能性會比較大，從而達到組合營銷的目的。
常見的頻繁項集挖掘算法有兩類，一類是Apriori算法，另一類是FPGrowth。Apriori通過不斷的構造候選集、篩選候選集挖掘出頻繁項集，需要多次掃描原始數據，當原始數據較大時，磁盤I/O次數太多，效率比較低下。FPGrowth算法則只需掃描原始數據兩遍，通過FP-tree數據結構對原始數據進行壓縮，效率較高。
FPGrowth算法主要分爲兩個步驟：FP-tree構建、遞歸挖掘FP-tree。FP-tree構建通過兩次數據掃描，將原始數據中的事務壓縮到一個FP-tree樹，該FP-tree類似於前綴樹，相同前綴的路徑可以共用，從而達到壓縮數據的目的。接着通過FP-tree找出每個item的條件模式基、條件FP-tree，遞歸的挖掘條件FP-tree得到所有的頻繁項集。算法的主要計算瓶頸在FP-tree的遞歸挖掘上，下面詳細介紹FPGrowth算法的主要步驟。
***************FPgrowth算法步驟******************
參見：https://wenku.baidu.com/view/c32bbada27d3240c8547ef1b.html