关联规则作为数据挖掘的一个重要分支,目前已经在许多领域得到成功应用。然而,大多数的关联规则只考虑了事务属性之间的正向联系,对于隐藏在数据中的否定联系,却没有引起足够的重视。本文阐述了一种完整形式的关联规则,同时考虑了事务数据库中的正项目和负项目,不但能够反映事务属性间的正向联系,同时也能反映事务属性间隐含的否定联系。首先,本文针对引入负项目后,频繁项集数量也大大增加的问题,在详细研究了FP-growth算法的基础上,提出了一种改进的MFP_PN算法。新算法继承了FP-growth算法不需要多次重复扫描数据库的优点,同时考虑了正项目和负项目而不需要扩充原始数据库。另外,新算法沿用了FP-tree的结构,构造出同时含正负项目的Tree_PN,采用基于条件频繁后缀项目的模式扩展方法得到频繁项集,不需要构造大量的条件模式树,节省了时间和空间。实验结果证明了MFP_PN算法比FP-growth算法具有更好的性能。其次,本文分析了最小支持度的局限性和支持度过大的项目的有用性问题,提出了正负多支持度PNMS模型。该模型可以排除支持度过大的、没有意义的频繁项集,同时可以通过设置不同的正、负最小支持度阈值,来调节挖掘结果中正负项目的数量,以满足用户的不同需求。实验证明,PNMS模型在提高规则有用性和调节正负项目数量方面是有效的和可行的。