数据库中的知识发现(Knowledge Discovery in Databases, KDD)是当前人工智能、数据库技术等学科的一门十分活跃的研究领域。数据挖掘(Data Mining, DM)是KDD的一个重要步骤,是从数据中提取人们感兴趣的、潜在的、可用的知识,并将其表示成用户可理解的形式。 关联规则挖掘(Association Rules Mining)是数据挖掘的一个重要分支,用以发现所有满足最小支持度和最小可信度的强关联规则。关联规则的挖掘通常是对大规模数据进行处理,产生的规则数目较大,并且挖掘的结果不一定能真正反映现实领域的知识和满足用户的需求。因此,对挖掘结果的验证和评价是关联规则挖掘中不可缺少的环节。 现有的关联规则评价方法主要有两大类:客观评价方法和主观评价方法。客观评价方法中主要使用支持度和可信度两种评价标准。但在实际应用中,仅用支持度和可信度对关联规则进行评价是不够的。因此,有必要对支持度—可信度评价模型进行改进,增加评价标准,以挖掘出更加有效、更令用户满意的关联规则。为此,本文归纳了当前所使用的几种客观和主观评价方法,并对它们进行了比较研究。 本文所做的研究工作如下: 1、对传统的关联规则评价模型进行深入的分析和比较,并对其所存在的问题进行了讨论。 2、提出了频繁模式的新颖性概念和基于客观度量与主观度量的综合评价方法,强化了对关联规则的评价。 3、在固定支持度阈值设置基础上,讨论了可变支持度设置的方法,并进行了比较分析。 4、对自动支持度阈值设置方法展开了讨论,对有关概念进行扩展,并对有关文献中的计算公式进行了补充证明和改进。