Các thuật toán phân tích liên kết (Association analysis algorithms) có khả năng tạo ra số lượng lớn mẫu (patterns). Ví dụ, mặc dù tập dữ liệu chỉ bao gồm sáu mặt hàng, nó có thể tạo ra lên đến hàng nghìn quy tắc liên kết tại ngưỡng hỗ trợ và độ tin cậy cụ thể. Vì kích thước và số chiều của cơ sở dữ liệu tiền tệ thực (real monetary databases) có thể lớn, chúng có thể dễ dàng kết thúc với hàng nghìn hoặc thậm chí hàng triệu mẫu, một số không thú vị.
Việc phân tích qua các mẫu để nhận diện những cái thú vị nhất không phải là dịch vụ tầm thường vì rác của người này có thể là kho báu của người khác. Thiết yếu phải tạo một tập các phương pháp được chấp nhận tốt để tính chất lượng của các mẫu liên kết.
Bộ tiêu chí đầu tiên có thể được tạo ra qua lập luận thống kê (statistical arguments). Mẫu bao gồm một nhóm các mặt hàng hỗ trợ lẫn nhau (mutually independent items) hoặc bao phủ nhiều giao dịch được coi là không thú vị vì chúng thể hiện các liên kết giả (spurious associations) trong dữ liệu.
Các mẫu như vậy có thể bị loại bỏ bằng cách sử dụng phần thú vị khách quan (objective interestingness measure) sử dụng thống kê suy ra từ dữ liệu để quyết định liệu một mẫu có thú vị. Ví dụ đo lường thú vị khách quan bao gồm hỗ trợ (support), độ tin cậy (confidence), và tương quan (correlation).
Bộ tiêu chí thứ hai có thể được tạo ra qua lập luận chủ quan (subjective arguments). Một mẫu được coi là chủ quan không thú vị trừ khi nó công nhận dữ liệu bất ngờ về dữ liệu hoặc hỗ trợ kiến thức hữu ích có thể dẫn đến dịch vụ có lợi nhuận.
Ví dụ, quy tắc {Bơ}→{Bánh mì} có thể không thú vị, bất kể có hỗ trợ và độ tin cậy cao, vì mối quan hệ được quy tắc mô tả có thể xuất hiện khá rõ ràng.
Ngược lại, quy tắc {Tã}→{Bia} là thú vị vì mối quan hệ bất ngờ và có thể gợi ý sự kiện bán chéo (cross-selling) mới cho người bán lẻ. Việc kết hợp kiến thức chủ quan vào tính toán mẫu là nhiệm vụ phức tạp vì nó cần lượng lớn dữ liệu trước từ chuyên gia miền.
Sau đây là một số cách tiếp cận để kết hợp kiến thức có thiên lệch (biased knowledge) vào nhiệm vụ khám phá mẫu:
Trực quan hóa (Visualization) — Cách tiếp cận này cần môi trường thân thiện với người dùng (user-friendly environment) để giữ người dùng con người trong vòng lặp (in the loop). Nó cũng cho phép chuyên gia miền kết nối với hệ thống khai thác dữ liệu bằng cách thực thi và kiểm tra các mẫu được khám phá.
Cách tiếp cận dựa trên mẫu (Template-based approach) — Cách tiếp cận này cho phép người dùng giới hạn loại mẫu được sao chép bởi thuật toán khai thác. Thay vì ghi chép tất cả các quy tắc trích xuất, chỉ các quy tắc đáp ứng mẫu do người dùng chỉ định được khôi phục cho người dùng.
Đo lường thú vị chủ quan (Subjective interestingness measure) — Một đo lường chủ quan có thể được biểu diễn dựa trên dữ liệu miền bao gồm phân cấp khái niệm (concept hierarchy) hoặc giới hạn lợi ích của các yếu tố (profit margin of items). Đo lường có thể được dùng để lọc các mẫu có sẵn và không thể hành động (non-actionable).