基于支持度期望的关联，蛮适合做深度数据挖掘的朋友，尤其你想挖点“看起来不频繁但其实有料”的关联关系时，挺有用。它不是简单看出现频率，而是看是不是比“你原本预期的”还少多。嗯，挺像找那些“悄咪咪”的隐藏逻辑。

支持度期望的技术有点像挖反向宝藏——只有当一个模式的实际支持度小于它理论上应该有的期望值时，才说“这玩意值得看”。换句话说，别人都不太关注的地方，说不定才藏着你要的答案。

有两种玩法：一种是基于概念分层，比如你看“水果”下的“苹果”和“香蕉”，会考虑整个分类的背景；另一种是基于间接关联，就是两个表面没啥关系的项，通过第三方“搭上线”。

推荐你搭配一些示例看看，比如这个关联数据示例，讲得挺清楚的；还有《RapidMiner》第 8 章也提到了这块内容，适合快速上手。

要注意的是，这种方法对数据要求高，是你要有对“期望支持度”的建模能力。用起来挺有门槛，但只要搞懂了，多冷门发现就能浮出水面。

如果你正在研究反向模式挖掘、间接关联规则或者想提升推荐系统的“解释力”，可以深入看看，挖起来还挺香的。