近年来,数据挖掘引起了信息产业界的极大关注。其主要原因是存在大量数据。可以广泛使用,并且迫切需要将这些数据转换成有用的信息和知识。 关联规则是数据挖掘研究中的一个重要课题。它是从数据集中提取出有趣频繁模式的过程。现在,已经提出很多经典的关联规则挖掘算法,如Apriori算法。这些经典的算法绝大多数适用于布尔型数据。由于数据库中的数据类型是多样的,因此如何在布尔型之外的其他类型上进行关联规则挖掘是当前关联规则研究中的热点。 常见的数据类型有布尔型、类别型、数值型。其中数值型关联规则挖掘是当前关注较多的领域。对于数值型数据,首要的是将其在值域上划分为区间。本文将聚类思想引入到关联规则挖掘中。提出了区间阈值的概念,在该阈值的指导下对属性进行划分,以解决现有算法不能解决的问题。 本文首先对数据挖掘进行介绍。然后将主要经典关联规则挖掘算法逐一介绍。这些算法是多维关联规则挖掘算法的基础。论文重点对数值型多维关联规则进行研究。分别介绍了区间合并算法和聚类算法。在聚类算法中,论文提出了CARB算法。该算法是一个单趟扫描算法。当用户指定区间距离阈值interval后,算法自动将属性划分为区间。 本文的研究对于数值型多维关联规则和数据预处理的使用有积极意义。