数据挖掘作为数据库研究领域中的热点,正受到越来越多的关注。它被定义为在数据中寻找正确的、有趣的、潜在有用的并最终可以理解的模式。基于关联规则的挖掘是其中一个重要的研究方法,具有重要的理论价值和广泛的应用前景。关联规则中最有名和最有影响力的算法是Apriori算法,Apriori对布尔型数据库的标准关联规则的挖掘有很高的效率。在很多领域中,只挖掘出标准关联规则是不够的,需要对数据项的否定项进行挖掘。带否定项的关联规则是指允许在关联规则中出现负项目,对关联规则的形式做出了扩展,从而提高了关联规则的描述能力。 Apriori算法在挖掘带否定项的关联规则时显得非常笨拙和低效,不擅长处理相关性高的数据,CA算法对稠密型数据库有很好的效率,但是挖掘出来的规则会很多,并且很多规则可能是无趣的。针对这种不足,INA算法在支持度-置信度的模式上增加了一个新的评估参数-兴趣度。通过引入兴趣度,有效的改善了CA算法中的候选集膨胀现象,删除了一些被挖掘出来而没有兴趣的关联规则。这种算法能够有效挖掘出有趣的带否定关联规则。INA算法在多维数据库中挖掘带否定关联规则也有较好的效率,更广泛的应用了带否定关联规则的挖掘。对于多维数据库,采用与数据仓库相结合的方法,利用数据仓库联机分析的一些结果,能够更好的挖掘带否定关联规则。通过初步实验将CA算法挖掘出的频繁项目数与Apriori算法挖掘出的正频繁项目数进行了比较,显示了CA算法的有效性,同样将INA算法挖掘出的有趣规则与CA算法挖掘出的规则进行比较,表明了INA算法的实用性。