关联规则挖掘用于发现大数据集中数据间的关联关系,是数据挖掘技术中重要研究方向之一.关联规则兴趣度可以发现有趣的规则或模式.该文从客观和主观两方面讨论了目前常见的一些兴趣度度量,说明了设计兴趣度度量时期望满足的三个性质.我们比较了其中21种度量,指出并不是所有度量都满足期望的三个性质,并且在实际应用中应根据不同的挖掘任务选择不同的兴趣度度量.在分析了支持度-可信度框架不足的基础上,我们介绍了新的兴趣度:完全可信度与联结度,并给出了完全可信度和联结度的形式化定义,证明了完全可信度与联结度具有的一些性质,包括:1)完全可信度与联结度都满足向下封闭性质:2)完全可信度与联结度的关系;3)支持度与完全可信度、联结度的关系;4)可信度与完全可信度、联结度的关系.在改进原有的划分算法基础上,我们进一步提出了基于完全可信度联结度的关联规则挖掘算法.该算法分为两步:第一步,在数据库的每个划分上,利用完全可信度或联结度来产生局部大项集,第二步将产生的所有划分的局部大项集合并,求满足最小完全可信度或联结度的全局大项集.整个过程只需扫描两次数据库.我们将算法分别应用在人工数据集和现实数据集中,通过分析算法的性能,发现利用完全可信度、联结度可以有效地发现频繁集,但采用人工数据集和事实数据集得到的结果是有差别的,同时发现实验得到的结果和证明得到的性质是一致的,利用联结度和完全可信度,可以发现支持度和可信度较小的有趣模式.