数据挖掘（DM）是一种以从存储在数据库、数据仓库或其它信息仓库中的大量数据中高效地发现有价值信息为目标而得到研究和发展的方法学和技术主题。这种有价值的信息包括模式、关联、变化、异常和重要意义的结构。数据挖掘试图去表示、分析和实现有助于从数据中抽取有意义信息和知识这一最基本的归纳过程。 在数据挖掘领域中已取得巨大的发展，同时对这种工作有很多很严格的制约。这部分地表现在数据挖掘研究停留在肤浅统计意义分析和分组这个焦点上。我们使用关联规则（频繁模式）发现来阐明这种工作。 关联规则挖掘是数据挖掘中的一个重要研究课题。它是搜索强相关项集的一个过程。运用现有的频繁模式挖掘算法挖掘市场购物数据集时，尽管“苹果”的支持度（200kg）远小于它的期望（300kg），同其它模式一样只被当作一种频繁模式看待，因为“苹果”是日常食品且每天被频繁地销售。和“苹果”相比，“腰果”是昂贵的食品且很少被销售；尽管“腰果”的支持度（20kg）远大于它的期望（5kg），它却不能作为频繁模式被发现。从市场角度来看，频繁项集‘苹果’是常识，但‘腰果’的销售增长趋势才是所渴望的模式, 因而它是一个超期望值模式。同样,‘苹果’的销售减少趋势也是一个超期望值模式,把它作为频繁项集更为有趣。这种超期望模式在预测下一时段产品的买卖很有帮助。 挖掘超期望模式是以前未曾开发的。这是因为超期望模式（1）在识别关联规则可能被剪枝掉；（2）也可能本质不同于传统频繁模式和关联规则。该论文主要目标是（1）表示和建模有趣的超期望模式；（2）开发算法挖掘这种模式；（3）通过实验评估我们方法。