Học quy tắc liên kết là loại phương pháp học không giám sát kiểm tra sự phụ thuộc của một phần tử dữ liệu trên phần tử dữ liệu khác và tạo ra phù hợp để nó có thể hiệu quả hơn. Nó cố gắng khám phá một số mối quan hệ thú vị hoặc quan hệ giữa các biến của tập dữ liệu. Nó phụ thuộc vào nhiều quy tắc để tìm mối quan hệ thú vị giữa các biến trong cơ sở dữ liệu.
Học quy tắc liên kết là kỹ thuật quan trọng của học máy, và nó được dùng trong Phân tích giỏ hàng (Market Basket analysis), Khai thác sử dụng Web, sản xuất liên tục, v.v. Trong phân tích giỏ hàng, nó là phương pháp đủ được dùng bởi nhiều nhà bán lẻ lớn để tìm mối quan hệ giữa các mục.
Quy tắc liên kết ban đầu được chuyển đổi từ dữ liệu điểm bán đại diện cho sản phẩm nào được mua cùng nhau. Mặc dù gốc rễ của nó trong việc liên kết giao dịch điểm bán, quy tắc liên kết có thể dùng bên ngoài thị trường bán lẻ để tìm mối quan hệ giữa các loại "giỏ hàng".
Có nhiều ứng dụng của Quy tắc liên kết như sau:
Mục mua trên thẻ tín dụng, như xe cho thuê và phòng khách sạn, hỗ trợ hiểu hiểu về sản phẩm tiếp theo mà khách hàng có khả năng mua.
Dịch vụ tùy chọn được mua bởi người dùng viễn thông (chờ cuộc gọi, chuyển cuộc gọi, DSL, gọi nhanh, v.v.) hỗ trợ quyết định cách gói các chức năng này để tối đa hóa doanh thu.
Dịch vụ ngân hàng được dùng bởi người dùng bán lẻ (tài khoản thị trường tiền, CD, dịch vụ đầu tư, vay xe, v.v.) nhận diện người dùng có khả năng cần dịch vụ khác.
Nhóm bất thường các yêu cầu bảo hiểm có thể là biểu hiện của gian lận và có thể kích hoạt điều tra sâu hơn.
Lịch sử bệnh nhân y tế có thể hỗ trợ biểu hiện các biến chứng có khả năng dựa trên tập điều trị xác định.
Quy tắc liên kết không đạt được kỳ vọng. Ví dụ, chúng không phải phương pháp tốt nhất để tạo mô hình bán chéo trong thị trường như ngân hàng bán lẻ, vì quy tắc kết thúc mô tả các khuyến mãi marketing trước đó. Ngoài ra, trong ngân hàng bán lẻ, người dùng thường bắt đầu với tài khoản thanh toán rồi tài khoản tiết kiệm. Sự phân biệt giữa sản phẩm không xảy ra cho đến khi người dùng có nhiều sản phẩm.
Trong thuật toán Apriori, thuật toán này cần tập dữ liệu thường xuyên để tạo quy tắc liên kết. Nó được tạo để hoạt động trên cơ sở dữ liệu bao gồm giao dịch. Thuật toán này cần tìm kiếm theo chiều rộng (breadth-first search) và cây băm (hash tree) để tính tập mục (itemset) hiệu quả.
Nó thường dùng cho phân tích giỏ hàng và hỗ trợ hiểu sản phẩm có thể được mua cùng nhau. Nó dùng trong không gian y tế để khám phá phản ứng thuốc cho bệnh nhân.
Trong thuật toán Eclat, nó đại diện cho Equivalence Class Transformation (Biến đổi lớp tương đương). Thuật toán này dùng phương pháp tìm kiếm theo chiều sâu (depth-first search) để khám phá tập mục thường xuyên trong cơ sở dữ liệu giao dịch. Nó triển khai thực hiện nhanh hơn thuật toán Apriori.