随着信息产业与数据库的迅猛发展,特别是在计算机得到广泛普及之后,人类所积累的知识和数据量正在呈指数增加。伴随而来的就是大型数据库急遽增加和海量信息存储的问题。这些数据就像是金矿,需要用特殊的工具进行挖掘和处理,找到其中真正有用的金子。这也是拥有大量数据集的用户非常关心的问题。　　 针对数据挖掘的研究方法主要包括分类、聚类、序列分析、关联规则的发现、约束、偏差分析等,而关联规则的发现是数据挖掘研究中的一个重要的领域。对一个大型的数据集而言,如果盲目的进行挖掘不仅效率低下,而且还可能产生过多的冗余数据,造成用户更大的困扰。而在数据挖掘和知识发现过程中合理使用约束则可以提高挖掘的效率和精度,使挖掘的知识真正为我们所用。　　 本文主要对关联规则以及约束问题做了全面的分析和总结,并在此基础之上提出新的算法。　　 首先,为了避免大量的不相关的项目进入挖掘过程,造成计算时间和空间的极大浪费,本文运用简洁性约束的特性,对事务数据库做预处理,得到满足简洁性约束频繁项目集,去除关联性不强的冗余数据,加快知识生成的过程。其次,动态生成阈值。根据用户的需要和实际情况,运用标准正态分布的性质,动态的生成单调性与反单调性阈值来对数据进行约束,由于挖掘是在用户的指导下进行的,使得挖掘的结果更准确,挖掘结果之间联系更加紧密,同时挖掘结果也必将是用户真正感兴趣的知识。　　 关联规则是挖掘和发现大量数据中项集之间有趣的关联或者相关联系。但是随着数据量的增加,数据密度的增大,数据挖掘结果和挖掘时间之间的矛盾凸显。因此,采用简洁性约束对数据进行处理,并使用正态分布原理计算动态阈值,提高了数据挖掘的每一步的高效性、准确性。