21世纪以来,随着计算机技术的高速发展,人工智能领域也在快速地进步。数据挖掘作为人工智能领域的重要研究内容,得到了广泛的关注与研究,已形成了聚类分析、关联规则等方向的研究课题。关联规则挖掘是数据挖掘领域的一个重要组成部分,传统挖掘算法的研究,主要集中在支持度和置信度的基础上。这种挖掘框架易产生误导的规则,忽略了部分低支持度而高相关性的规则。为了解决这类问题,引入了兴趣度度量模型,用以验证挖掘结果是否真正对用户具有价值。首先,针对传统关联规则挖掘框架的缺陷,对常用的兴趣度度量模型进行了分析。对于客观兴趣度中存在的项集对称性和度量值等存在的问题,引入了主观兴趣度度量,提出了一种基于主观和客观兴趣度结合的兴趣度融合模型。另外,通过对正负关联规则算法的分析与研究,针对挖掘负关联规则时规则爆炸问题,引入了Max-支持度的定义,达到在挖掘频繁项集时限制项集的生成,在此基础上提出了针对正负关联规则的兴趣度挖掘算法。对该算法通过两组真实数据集进行了验证。实验结果表明,该算法能够有效的挖掘正负关联规则并且减少了无用规则和存在误导性规则的生成。然后,使用提出的基于兴趣度的正负关联规则挖掘算法对网络用户行为数据进行挖掘实践,发现其中具有价值的规则。另外,为了提高挖掘效率,在对高维子空间聚类算法进行分析与研究的基础上,提出了基于数据特征的DC-clique算法。在数据预处理之后,利用DC-clique算法对网络用户数据集进行聚类,将具有相同特征的数据进行分簇,在簇内进行兴趣度关联规则的挖掘。实验结果表明,在对网络用户行为方面,提出的兴趣度模型和关联规则挖掘算法的是有效的。该方法对网站使用者和平台运营有一定的帮助和指导作用。