高平均效用项集挖掘因其平衡效用而受到数据挖掘领域的关注,它不仅考虑到项集的利润和数量,而且还考虑到项集的长度。本文提出了一种基于效用累加求和上界的高平均效用项集挖掘算法HAUIM-GMU。对于该算法,我们首先将典型的最大效用和平均效用上界从项目推广到项集,并讨论了其合理性;然后,基于支持度的概念,提出了一种新的剪枝策略;最后,对算法进行了详细的描述。在真实数据集和合成数据集上的大量实验表明,该算法具有良好的性能。尽管近年来针对高平均效用项集挖掘任务设计了多种算法,但确定合适的最小平均效用阈值来有效并精确控制挖掘结果仍是困难的。受Top-K频繁项集挖掘和Top-K高效用项集挖掘的启发,本文提出基于交叉熵方法的Top-K高平均效用项集挖掘算法,其中K是要挖掘的高平均效用项集的期望数目,而不是常规设置的最小平均效用阈值,该算法无需设计提高内部最小平均效用阈值和减小搜索空间的各种有效策略,采用组合优化的方法解决Top-K高平均效用项集挖掘问题。实验结果表明,该算法是一种高效、节省内存消耗的算法,能够发现大多数实际的Top-K高平均效用项集。在以往的高平均效用项集挖掘研究中,效用项集的价值皆被认为是正值。但是在一些实际应用中,项集效用可能为负。因此,发现具有负效用值的高平均效用项集对于模式挖掘具有重要的意义。本文提出了一种新的挖掘方法:考虑负效用的高平均效用项集挖掘算法。该算法改进提升了HAUIM-GMU算法,从而大大减少挖掘高平均效用项集的执行时间,以较少的内存有效地挖掘所有考虑负效用的高平均效用项集,满足了挖掘具有负效用值的高平均效用项集的时间和空间效率的关键要求。通过实验评估表明,该算法高效可行。