AOI là viết tắt của Attribute-Oriented Induction (Khái quát hóa hướng thuộc tính). Phương pháp khái quát hóa hướng thuộc tính cho mô tả khái niệm được đề xuất lần đầu vào năm 1989, vài năm trước khi phương pháp khối dữ liệu (data cube) được giới thiệu. Phương pháp khối dữ liệu về cơ sở dựa trên các quan liệu vật thể hóa (materialized views) của dữ liệu, thường được tính toán trước trong kho dữ liệu.
Nói chung, nó thực hiện tổng hợp ngoại tuyến trước khi truy vấn OLAP hoặc khai phá dữ liệu được gửi để xử lý. Nói cách khác, phương pháp khái quát hóa hướng thuộc tính về cơ bản là một phương pháp phân tích dữ liệu trực tuyến, dựa trên truy vấn, dựa trên khái quát hóa.
Ý tưởng chung của khái quát hóa hướng thuộc tính là trước tiên thu thập dữ liệu liên quan đến nhiệm vụ bằng truy vấn cơ sở dữ liệu, sau đó thực hiện khái quát hóa dựa trên việc kiểm tra số giá trị riêng biệt của mỗi thuộc tính trong tập hợp dữ liệu liên quan.
Khái quát hóa được thực hiện bằng cách loại bỏ thuộc tính hoặc khái quát hóa thuộc tính. Tổng hợp được thực hiện bằng cách kết hợp các tuple khái quát hóa giống nhau và tích lũy số đếm cụ thể của chúng. Điều này làm giảm kích thước tập dữ liệu khái quát hóa. Quan hệ khái quát hóa kết quả có thể được ánh xạ thành nhiều dạng để trình bày cho người dùng, bao gồm biểu đồ hoặc luật.
Quy trình khái quát hóa hướng thuộc tính bao gồm các bước sau:
- Trước tiên, tập trung dữ liệu phải được thực hiện trước khái quát hóa hướng thuộc tính. Bước này tương ứng với mô tả các bản ghi liên quan đến nhiệm vụ (tức là dữ liệu để phân tích). Dữ liệu được thu thập dựa trên dữ liệu được hỗ trợ trong truy vấn khai phá dữ liệu.
- Vì truy vấn khai phá dữ liệu thường chỉ liên quan đến một phần của cơ sở dữ liệu, việc chọn tập dữ liệu liên quan không chỉ làm cho khai phá hiệu quả hơn, mà còn cho kết quả có ý nghĩa hơn so với khai phá toàn bộ cơ sở dữ liệu.
- Việc chỉ định tập hợp các thuộc tính liên quan (tức là thuộc tính để khai phá, như được chỉ ra trong DMQL với mệnh đề "in relevance to") có thể khó khăn cho người dùng. Người dùng có thể chỉ chọn một vài thuộc tính mà họ nghĩ quan trọng, trong khi bỏ qua những thuộc tính khác cũng có thể đóng vai trò trong biểu diễn.
- Ví dụ, giả sử chiều nơi sinh được định nghĩa bởi các thuộc tính thành phố, tỉnh/biểu và quốc gia. Nếu cho phép khái quát hóa trên chiều nơi sinh, các thuộc tính khác định nghĩa chiều này cũng nên được bao gồm.
- Nói cách khác, việc hệ thống tự động đưa vào tỉnh/biểu và quốc gia như các thuộc tính liên quan cho phép thành phố được khái quát hóa đến các mức khái niệm lớn hơn trong giai đoạn suy diễn.
- Ở cực đối lập, giả sử người dùng có thể đã đưa vào quá nhiều thuộc tính bằng cách chỉ định tất cả các thuộc tính có thể với mệnh đề "in relevance to *". Trong trường hợp này, tất cả các thuộc tính trong quan hệ được chỉ định bởi mệnh đề from sẽ được bao gồm trong phân tích.
- Một số thuộc tính không có khả năng đóng góp vào biểu diễn thú vị. Phương pháp phân tích dựa trên tương quan hoặc entropy có thể được sử dụng để thực hiện phân tích liên quan thuộc tính và lọc bỏ các thuộc tính không liên quan thống kê hoặc yếu liên quan khỏi quá trình khai phá mô tả.