以上讨论的大多是同一个属性之间的关联关系，比如用户购买的物品。即单维（或维内）关联规则，这些规则一般都是在交易数据库中挖掘的。但是对于多维数据库而言，还有一类多维关联规则，例如：
年龄=“20，…， 30”∧职业=“学生”
购买=“篮球”
在这里涉及三个维上的数据：年龄、职业、购买。
根据是否允许同一个维重复出现，可以又细分为维间的关联规则（不允许维重复出现）和混合维关联规则（允许维在规则的左右同时出现）。
年龄=“20，…， 30”∧职业=“学生”
购买=“篮球”
在这里涉及三个维上的数据：年龄、职业、购买。
根据是否允许同一个维重复出现，可以又细分为维间的关联规则（不允许维重复出现）和混合维关联规则（允许维在规则的左右同时出现）。
年龄=“20，…，30” ∧购买=“篮球”
购买=“篮球服”(www.xing528.com)
这个规则就是混合维关联规则。
由于多维关联规则涉及多个属性，这些属性大多可能是量化属性，因此，在挖掘维间关联规则和混合维关联规则的时候，需要考虑不同的属性种类，即类别型和量化型，对于量化属性，需要进行一定的处理（参见量化关联规则挖掘）之后才可以进行。
如果与挖掘任务相关的数据存放在关系表中，多维关联规则挖掘方法的基本思想类似于简单关联规则挖掘，可对Apriori算法稍加改进，搜索所有的相关属性，而不是仅搜索一个属性，即找出所有的频繁属性（即频繁k-属性集合，如｛年龄，职业，购买｝），而不是频繁项集（如｛篮球，足球，排球｝）。若采用类Apriori算法，则可利用“频繁属性集的每个子集也必须是频繁的”的性质以减少产生的属性集候选数量；此外，还可以使用数据立方体结构挖掘多维关联规则，数据立方体由方体的格组成，方体是多维数据结构，如果变换后任务相关数据存放在数据立方体中，亦可使用类似于Apriori的策略去找频繁属性集；若没有数据立方体则可以构造数据立方体。
年龄=“20，…，30” ∧购买=“篮球”
购买=“篮球服”
这个规则就是混合维关联规则。
由于多维关联规则涉及多个属性，这些属性大多可能是量化属性，因此，在挖掘维间关联规则和混合维关联规则的时候，需要考虑不同的属性种类，即类别型和量化型，对于量化属性，需要进行一定的处理（参见量化关联规则挖掘）之后才可以进行。
如果与挖掘任务相关的数据存放在关系表中，多维关联规则挖掘方法的基本思想类似于简单关联规则挖掘，可对Apriori算法稍加改进，搜索所有的相关属性，而不是仅搜索一个属性，即找出所有的频繁属性（即频繁k-属性集合，如｛年龄，职业，购买｝），而不是频繁项集（如｛篮球，足球，排球｝）。若采用类Apriori算法，则可利用“频繁属性集的每个子集也必须是频繁的”的性质以减少产生的属性集候选数量；此外，还可以使用数据立方体结构挖掘多维关联规则，数据立方体由方体的格组成，方体是多维数据结构，如果变换后任务相关数据存放在数据立方体中，亦可使用类似于Apriori的策略去找频繁属性集；若没有数据立方体则可以构造数据立方体。
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。
