涉及不同抽象层的项（或属性）的规则称为多层关联规则。多层关联规则涉及多个抽象层中的项，根据规则中涉及的层次，分为同层关联规则和层间关联规则。同层关联规则是指所涉及的项处于同一概念层（图3-1）的关联规则，这类关联规则的挖掘是在特定概念层上逐层展开的，需要对项的每个层次进行处理，对各层处理时，算法的核心步骤类似于单层关联规则挖掘算法；而层间关联规则不限于某一预先安排的特定概念层，不需要严格逐层展开，是更合乎实际需求的灵活的关联规则。
多层关联规则的挖掘采用自顶向下的策略，由概念层1开始向下，到较低的更特定的概念层，对每个概念层的频繁项集累加计数，直到不能再找到频繁项集。即一旦找出概念层1的所有频繁项集，就开始在第2层找频繁项集，如此下去，对于每一层，可以使用频繁项集挖掘的各种算法，如Apriori或它的变形。由于底层的项通常支持度更低，因此在支持度设置的问题上需要新的处理策略。
同层关联规则可以根据每个抽象层上的最小支持度阈值的定义，使用多种策略挖掘：
（1）统一的最小支持度。对于不同的层次，使用一致的最小支持度，用户只需指定一个最小支持度阈值，对于用户和算法实现都比较容易（图3-8）。
图3-8 统一的最小支持度
这种方法也存在不足：较低层次抽象的项不大可能像较高层次抽象的项出现得那么频繁。如果最小支持度阈值设置太高，可能丢掉出现在较低抽象层中有意义的关联规则；如果阈值设得太低，可能会产生出现在较高抽象层的无兴趣的关联规则。
（2）递减的最小支持度。每个抽象层有它自己的最小支持度阈值，抽象层越低，对应的阈值越小，同时还可以利用上层挖掘得到的信息进行一些过滤的工作（3-9）。
这种递减支持度的同层关联规则的挖掘有以下几种常用搜索策略：
①逐层独立：这是完全的宽度搜索，考察每个节点，不管它的父节点是否是频繁的。该策略条件简单，但可能导致在低层考察大量非频繁的项，找出并不太重要的关联。
图3-9 递减的最小支持度
②层交叉按k-项集过滤：一个第i层的k-项集被考察，当且仅当它在第（i—1）层的对应父节点k-项集是频繁的。该策略仅考察频繁k-项集的子女的限制太强，因为一般说来k-项集组合后仍是频繁的情况不多，因此，有价值的模式可能被其过滤掉（图3-10）。
图3-10 层交叉按k-项集过滤
③层交叉按单项过滤：如果一个节点是频繁的，那么他的子女将被考察；否则，他的子孙将由搜索中剪枝。该策略是上述两个策略的折中。但也存在一些问题：因为是递减支持度，所以可能存在一些低层项是频繁的，但其祖先却是非频繁的（由于祖先层的最小支持度阈值不同），因此将丢失低层项之间的关联。
同层关联规则的所有项都属于同一概念层，对于跨越概念层边界的层间关联规则的挖掘，在考虑最小支持度的时候，应当根据较低的抽象层的最小支持度阈值来决定，使得较低抽象层可以包含在分析中。
多层关联规则发现不同抽象层间的关联知识，然而这些项间可能存在“祖先”关系，会产生冗余的关联规则，挖掘过程需检查并删除出这些冗余规则。删除策略如图3-11所示。
(www.xing528.com)
图3-11 层交叉按单项过滤
如果根据其对应的祖先规则，他们的支持度和置信度接近于期望值，那么冗余的多层（后代）关联规则可以删除，不向用户提供。
例如：“篮球
“Nike篮球服”［support=8%， confidence=70%］
“Adidas篮球”
“Nike篮球服” ［support=2% ，confidence=72 %］
假定第一个规则具有70%的置信度，8%的支持度，且大约四分之一的“篮球”销售是“Adidas篮球”，那么第二个规则并没有提供新的信息，由于“篮球”是“Adidas篮球”的祖先，即所有“Adidas篮球”的样本也是“篮球”的样本，因此第二个规则应该具有大约70%的置信度和2%（8%×1/4）的支持度，在此假定条件下，第二个规则不是有趣的，因为它不提供附加的信息，它的一般性也不如第一个规则。
多层关联规则挖掘的一般算法有ML_T2L1， ML_T1LA， ML_THL1， ML_T2LA等。下面用一个例子说明多层关联规则挖掘方法的过程，具体的算法请读者参见相关文献。
例3.8：如图3-1所示，概念分层（省略了更多层次）。
使用层次信息对交易数据库中的交易表进行编码，替换原始交易数据表，编码方法如：项“Nike篮球”编码为“112”，第一个“ 1”表示在层1的“球类”，第二个“1”表示在层2的“篮球”，第三个“2”表示在层3的品牌“Nike”，以此类推，如表3-5所示。
表3-5 编码交易表
表3-6 最后结果各层项集
设min_sup［1］=4， min_sup［2］= 3（ 简单起见，最小支持度用交易个数表示，而非百分比形式），用L［x，y］表示第x层的频繁x-项集，如L［3，2］表示第三层的频繁2-项集。
步骤如下：
第1层频繁项集：
L［1，1］（第一层频繁1-项集）如表2-5b所示，过滤非频繁项，得到T［2］；进行自连接和剪枝，得到候选项集，并计算支持度后得到L［1，2］（第一层频繁2-项集）、L［1，3］（第一层频繁3-项集）如表3-5d、表3-5e所示。
与此类似，第二层频繁项集如表3-5f、表3-5g、表3-5h所示，第三层频繁项集如表3-5i、表3-5j、表3-5k所示。
得到各层的各频繁项集（表3-6）后，再计算置信度，由频繁项集生成满足最小置信度阈值的多层关联规则。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
