在過去已有許多針對關聯法則 (association rule) 的研究，但大多僅針對正向關聯法則的推導部份做改進，對於負向關聯法則 (negative association rule) 則較少著墨；負向關聯法則指的是相對於正向關聯法則的觀念，當兩個不同資料項目的發生具有一定程度的相依性時，而此相依性是一個發生導致另一個的不發生，就稱其為負向關聯法則。而負向關聯法則依其所可能具有的形式，為只要不是滿足正向關聯法則條件之所有其他者，因此，凡挖掘正向關聯法則中所可能產生的問題，在負向關聯法則的探勘裡皆有可能發生。本研究首先將試著以OPUS演算法將整個搜尋空間以一個搜尋樹的方式架構出來，透過此法所架構出的搜尋空間，可事先將不符合使用者限制條件的資料項目集及其延伸的資料項目集動態的移除，同時此搜尋樹可使得往後的法則搜尋過程能更有效率，接著以KORD(K-Optimal-Rule-Discovery)演算法利用使用者所設定之最小有趣度 (minimal interest)以及所要搜尋到的法則數目，來當作主要的法則篩選限制條件，在搜尋時即將過大的搜尋空間進行刪除的動作，來減少所要搜尋的範圍並增加演算法執行的效率。透過實證資料檔呈現出的結果，正負向關聯法則在利用有趣度作為法則的主要篩選條件時，利用修剪規則對不可能成為我們最終解的狀況進行排除，的確可以更有效率的辨識出有趣的法則，透過此讓使用者自行設定某些限制條件的方法，可以過濾出真正符合使用者需求的規則。

Most　of　the　studies　about　mining　association　rules　were　focused　on　discovering　positive　association　rules.　However,　negative　rules　are　also　very　useful　in　association　analysis.　Let　X　and　Y　be　any　two　disjoint　item　sets.　Negative　rules　can　be　in　either　one　of　the　following　three　forms　:　X→┐Y,　┐X→Y,　and　┐X→┐Y.　So,　all　of　the　problems　that　we　have　encountered　in　mining　positive　association　rules　will　happen　in　mining　negative　ones.　This　thesis　proposes　an　approach　to　revise　the　KORD　(k-Optimal-Rule-Discovery)　algorithm　for　mining　negative　association　rules.　Some　pruning　rules　are　developed　to　speed　up　the　mining　procedure.　Based　on　the　minimum　support,　the　OPUS　search　algorithm　is　used　to　generate　search　trees　that　can　help　us　filter　out　candidate　item　sets　efficiently.　Then　the　minimum　interest　is　the　threshold　in　finding　interesting　negative　association　rules.　Our　method　is　applied　on　a　real　insurance　data　set　to　demonstrate　its　efficiency　in　mining　interesting　negative　association　rules.

中文部份
王仁傑　(民89)。有效找出較長資料項目型樣的關聯法則之研究。未出版之碩士論文，逢甲大學資訊工程學研究所，台中市
鄭國隆　(民93)。探勘負向對比集演算法之建立。未出版之碩士論文，國立成功大學工業與資訊管理學研究所，台南市
英文部份
Agrawal,　R.　and　Srikant,　R.　(1994),　Fast　algorithms　for　mining　association　rules,　Proceedings　of　International　Conference　on　Very　Large　Data　Bases,　Santiago,　Chile,　487-499.
Brin,　S.,　Motwani,　R.,　and　Silverstein,　C.　(1997b),　Beyond　market　baskets:　Generalizing　association　rules　to　correlations,　Proceedings　of　the　1997　ACM　SIGMOD　International　Conference　on　Management　of　Data,　265-276.
Brin,　S.,　Motwani,　R.,　Unman,　J.　D.,　and　Tsur,　S.　(1997a),　Dynamic　itemset　counting　and　implication　rules　for　market　basket　data,　Proceedings　of　ACM　SIGMOD　Conference　on　Management　of　Data,　255-264.
Fayyad,　M.　U.　(1996),　Data　mining　and　knowledge　discovery:　Making　sense　out　of　data,　IEEE　Expert,　11(5),　20-25.
Ganti,　V.,　Gehrke,　J.,　and　Ramakrishnan,　R.　(1999),　Mining　very　large　databases,　IEEE　Computer,　32,　38-45.
Hamano,　S.,　and　Sato,　M.　(2004),　Mining　indirect　association　rules,　Advances　in　Data　Mining:　Applications　in　Image　Mining,　Medicine　and　Biotechnology,　Management　and　Environmental　Control,　and　Telecommunications,　Lecture　Notes　in　Computer　Science,　3275,　Springer-Verlag,　106-115.
Liu,　H.,　Lu,　H.,　Feng,　L.,　and　Hussain,　F.　(1999),　Efficient　search　of　reliable　exceptions,　Proceedings　of　The　Third　Pacific　Asia　Conference　on　Knowledge　Discovery　and　Data　Mining,　194-204.
Park,　J.　S.,　Chen,　M.　S.,　and　Philip,　S.Y.　(1995),　An　effective　hash-based　algorithm　for　mining　association　rules,　Proceedings　of　the　ACM　SIGMOD　Conference　on　Management　of　Data,　175-186.
Savasere,　A.,　Omiecinski,　E.,　and　Navathe,　S.　(1995),　An　efficient　algorithm　for　mining　association　rules　in　large　databases,　Proceedings　of　International　Conference　on　Very　large　Data　Bases,　Zurich,　Switzerland,　432-444.
Savasere,　A.,　Omiecinski,　E.,　and　Navathe,　S.　(1998),　Mining　for　strong　negative　associations　in　a　large　database　of　customer　transactions,　Proceedings　of　the　International　Conference　on　Data　Engineering,　494-502.
Toivonen,　H.　(1996),　Sampling　large　databases　for　association　rules,　Proceedings　of　International　Conference　on　Very　Large　Data　Bases,　Mumbai　(Bombay),　India,　134-145.
Tan,　P.　N.,　Kumar,　V.,　and　Srivastava　J.　(2000),　Indirect　association:　Mining　higher　order　dependencies　in　data,　Proceedings　of　the　4th　European　Conference　on　Principles　of　Data　Mining　and　Knowledge　Discovery,　632-637.
Tan,　P.　N.,　and　Kumar,　V.　(2001),　Mining　indirect　associations　in　web　data,　Lecture　Notes　in　Computer　Science,　2356,　145-166.
Webb,　G.　I.　(1995),　OPUS:　An　efficient　admissible　algorithm　for　unordered　search,　Journal　of　Artificial　Intelligence　Research,　3,　431-465.
Webb,　G.　I.　(2000),　Efficient　search　for　association　rules,　Proceedings　of　the　sixth　ACM　SIGKDD　International　Conference　on　Knowledge　Discovery　and　Data　Mining,　Boston,　MA,　99-107.
Webb,　G.　I.　and　Zhang,　S.　(2005),　K-Optimal-Rule-Discovery,　Data　Mining　and　Knowledge　Discovery,　10(1),　39-79.
Witten,　I.　H.　and　Frank,　E.　(2000),　Data　Mining:　Practical　Machine　Learning　tools　and　Techniques　with　Java　Implementations,　Morgan　Kaufmann,　San　Francisco.
Wu,　X.,　Chengqi　Z.,　and　Shichao　Z.　(2004),　Efficient　mining　of　both　positive　and　negative　association　rules,　ACM　Transactions　on　Information　Systems,　22(3),　281-405.
Yuan,　X.,　Buckles,　B.　P.,　Yuan,　Z.,　and　Zhang　J.　(2002),　Mining　negative　association　rules,　Proceedings　of　the　Seventh　International　Symposium　on　Computers　and　Communications　(ISCC’02),　623-628.
Zhang,　C.　and　Zhang,　S.　(2002),　Association　Rule　Mining:　Models　and　Algorithms,　Springer-Verlag,　Berlin.