关联规则挖掘是发现大量数据中项集之间有趣的关联或相关关系。它是数据挖掘中的一个重要的问题,其研究目标是找出满足最小支持度和最小可信度要求的关联规则。针对传统的关联规则发现模式缺乏用户的主动参与和控制、缺乏针对性、效率比较低等缺点,在可交互的关联规则发现模式中,允许用户对挖掘的对象提出各种约束。要挖掘满足约束的规则,一种方法是先生成所有的规则,然后再检验其是否满足约束。这种方法不能避免大量无用的规则的生成,因而效率很低。另一种方法是利用约束的性质,将其推进到频繁项集的生成过程中,使得产生的只是满足约束的项集,相对来说这个集合要小很多,而且效率高。为了将约束很好地推进到频繁项集的生成过程中,需要分析约束的性质。从性质上可将约束分为五类:反单调的、单调的、简洁的、可转变的和不可转变的。其中,单调、反单调和简洁的约束可以很好地推进到Apriori类算法中;可转变的约束只能在FP-growth类算法中实现;不可转变的约束现在还没有很好的解决办法。用户的约束需求往往是多个的,而CAP算法框架只能实现反单调、简洁这两种约束,在此基础上,CAP+算法框架中增加了单调、可转变、不可转变约束的实现思路,能同时实现多种约束。针对单调约束的性质,MCA算法在“单调基础项集”概念的基础上,利用反单调约束进行剪枝,能同时实现单调、反单调约束。该算法是基于Apriori逐层搜索算法的,是正确与完整的。实验结果表明,该算法具有很好的性能。