该文首先对关联规则的挖掘的基本理论和方法进行了详细的阐述,并在此基础上,对经典的关联规则的挖掘算法进行了改进,从而提高了关联规则挖掘的性能.该文的工作主要包括以下内容:⑴论述了关联规则有趣性问题可从客观和主观两方面进行评测.利用模板将用户感兴趣的规则和不感兴趣的规则区分开,以此来完成关联规则有趣性的主观评测,对关联规则的有趣性的客观评测增加了约束,并给出模板匹配算法.⑵利用视图机制对原始数据进行预处理,把符合条件的数据和有用的属性放入视图中.根据一维(L<,1>)和二维(L<,2>)中的频繁数据项集对数据库中的属性进行过滤,以达到减少数据属性的目的,从而压缩数据库中的数据,为提高关联规则挖掘算法的性能打下基础.⑶利用Fisher聚类方法对定量属性变量进行分段,在处理时考虑了数据间隔的大小及数据间隔的稠密度,得到的定量关联规则可以近似地反映规则中数据项集的关联性.⑷分析基于关系操作的关联规则挖掘算法RS(Relation Set),算法RS将扫描空间分为若干简单的较小分区,每个分区可以在内存中分别处理.算法RS主要使用简单的交操作,可用数据库系统中的SQL语言表示.同时还给出了在给定概念层上对RS算法的改进算法-挖掘广义关联规则的算法GRS(Generalized Relation Set).实验结果表明,这两个算法具有高效性和可扩展性.