随着科技的飞速发展,人们产生和搜集数据的能力也不断提高。然而,与此相对应的是,处理数据的能力并没有相应的改善。面对越来越多的数据,人们显得无所适从,造成了“海量的数据和贫乏的知识”并存这样一种尴尬的局面。为了从数据中提取有用的知识,从庞杂的数据中分析和发现有价值的信息,数据挖掘技术就应运而生了。数据挖掘(Data Mining,又译作数据采掘)[1]:是一个从大型数据库中提取人们感兴趣的知识的过程。这些感兴趣的知识是潜在的、事先不被人们所认知的、隐含的、有用的信息。所提取出的知识用概念(Concepts)、规则(Rules)、规律(Regularities)、模式(Patterns)等形式表示。数据挖掘和其他很多学科,诸如人工智能、模式识别、机器学习等,都有着密切的联系。目前,数据挖掘有几个重要的研究分支,包括关联规则分析、分类、聚类、时间序列分析和桥点(例外模式)分析等。一个数据库中的数据一般不可能都符合分类预测或聚类分析所获得的模型,那些不符合大多数数据对象所构成的模型的数据对象被称为桥点或例外。一般数据挖掘算法在正式进行数据挖掘前都把例外当作噪声处理。但从另一个角度来看,在检验电子商务欺诈,银行信用卡诈骗事件中,很少发生的事情往往更有趣,更有研究价值。所以,例外模式挖掘是一项重要而有意义的工作。当前的孤立点挖掘算法主要包括基于统计的方法,基于距离的方法,基于偏差的方法,基于深度和基于密度的方法。它们都从不同的角度对桥点进行定义和挖掘,并都取得了重大的成就。本文首先介绍了现有的数据挖掘技术和目前流行的桥点挖掘算法的优势与不足。然后,提出了一种新的孤立点模式:桥规则。它是指这样一种规则:它的前件和后件分别属于不同的类,它代表的是类之间的某种联系。比如,使数据挖掘引起业界广泛关注的的著名关联规则“啤酒→尿不湿”就是一条桥规则,它的前件属于酒类而后件属于婴儿用品类。挖掘这样的桥点是很有意义的,它在化学分析﹑交叉销售﹑生物嫁接等方面都有广泛的应用。综上所述,本文的主要工作就是对桥规则的研究。为了尽可能全面的对这一问题进行讨论,本文从不同的角度研究这一问题,并从理论和实验两方面对所设计的算法进行了一定的分析。具体来讲,本文把桥规则的挖掘看成是桥集合的产生和桥规则的形成两部分。在桥集合的产生中,我们采用了三种方法来产生桥集合。分别是: