该文归纳了海量数据库中小模式发现的研究现状及热点问题,并在此基础上分别对例外规则和离群点展开了研究和探索,提出了自己的定义,同时给出了适合于大规模复杂数据集的挖掘算法.具体地说,该文的贡献如下:1.提出了一种快速有效的例外规划挖掘算法.该算法预先去了作了类关联规则中大量的虚假规则,减少了计算量.它不需要进行偏移量计算,避免了偏移阈值取值不当的问题,能够找到所有的例外规则.2.提出了一种基于超图的高维数据的离群点检测算法.该算法根据频繁项集来确定相对稠密的子空间,部分克服了维度灾难和组合爆炸问题,并很好地体现了离群点的局部性.同时,该算法避免了传统的基于距离的相似度计算,因此能够处理种属属性的数据和属性缺失的数据.3.提出了一种基于估计的子空间局部离群点检测算法.该算法针对基于距离的离群点检测算法效率低下的问题,提出了根据高维离群系数估计低维离群系数的技术,预先过滤掉大量不可能成为离群点的对象,极大地提高了算法的效率.