多值型关联规则是布尔型关联规则的扩展,事务数据库中属性的取值不再是0或1,而是多值型或类别型,因此研究多值关联规则更具有现实意义。 　　课题的研究内容主要包括： 　　(1) 研究了多值关联规则模型,对多值关联规则挖掘的研究现状进行了深入分析,并重点研究了一些典型的挖掘算法,同时总结了这些算法存在的优势和不足。 　　(2) 提出一种新颖的观点量化相关模式(quantitative correlated pattern)QCP,它是基于两种核心的概念：互信息和全置信度。首先提出了标准化的互信息,然后把它应用到 QCP数据挖掘中,目的是获得属性之间的相关性。基于更为精细的颗粒性考虑,进一步采用全置信度作为质量测量的方法用来确保在特殊的量化区间的属性之间的相关性。 　　(3) 为了达到利用互信息和全置信度作为双重剪枝来挖掘量化相关的模式的目的,提出一种新的算法QCoMine。该算法通过考察多值属性间互信息熵和全置信度,找到具有强信息关系的属性集进而产生规则。实验表明,由于在属性层和区间层进行了剪枝,因此缩减了搜索空间,提高了算法的性能,且得到更高置信度、更有价值的规则。