แนวทางการขุด Multilevel Association Rules พิงพึ่งบนกรอบ Support-Confidence กลยุทธ์ Top-down ถูกใช้ โดยนับสะสม (Accumulate Counts) สำหรับการคำนวณ Frequent Itemsets ที่แต่ละระดับแนวคิด (Concept Level) เริ่มที่ Concept Level 1 และทำงานไปยังระดับแนวคิดเฉพาะเจาะจงต่ำกว่า จนกว่าจะหา Frequent Itemsets เพิ่มเติมไม่ได้ โดยใช้ Apriori Algorithm
ข้อมูลสามารถทำให้เป็นทั่วไป (Generalize) ได้โดยการแทนที่แนวคิดระดับต่ำ (Low-level Concepts) ในข้อมูลด้วยแนวคิดระดับสูง (Higher-level Concepts) หรือบรรพบุรุษ (Ancestors) จาก Concept Hierarchy ใน Concept Hierarchy ที่แสดงเป็นต้นไม้ dengan ราก (Root) เป็น D คือ Task-relevant Data
พื้นที่การประยุกต์ใช้ยอดนิยมสำหรับ Multi-level Association คือ Market Basket Analysis ที่ศึกษานิสัยซื้อของลูกค้าด้วยการค้นหาชุดสินค้าที่ซื้อร่วมกันบ่อย ซึ่งแสดงในแนวคิด Concept Hierarchy
แต่ละโหนด (Node) แสดง Item หรือ Itemset ที่ได้รับการตรวจสอบ มีแนวทางหลากหลายสำหรับการหา Frequent Itemsets ที่ระดับนามธรรมใดๆ วิธีบางอย่างที่ใช้ ได้แก่ 'Using Uniform Minimum Support for All Levels' 'Using Reduced Minimum Support at Lower Levels' 'Level-by-level Independent'
Multi-level Databases ต้องการ Hierarchy-encoded Transaction Table แทน Transaction Table เริ่มต้น นี่มีประโยชน์เมื่อเราสนใจเฉพาะส่วนของฐานข้อมูลธุรกรรม เช่น อาหาร แทนที่จะเป็นทุกสินค้า ดังนั้นเราสามารถรวบรวมชุดข้อมูลที่เกี่ยวข้องก่อน แล้วค่อยทำงานซ้ำๆ บน Task-relevant Set ใน Transaction Table แต่ละ Item ถูกเข้ารหัส (Encoded) เป็นลำดับของตัวเลข
Using Uniform Minimum Support for All Levels
เมื่อใช้ Uniform Minimum Support Threshold กระบวนการค้นหาจะง่ายขึ้น เทคนิคการเพิ่มประสิทธิภาพ (Optimization) สามารถนำไปใช้ ได้บนพื้นฐานความรู้ว่า Ancestor เป็น Superset ของ Descendants การค้นหาหลีกเลี่ยงการตรวจสอบ Itemsets ที่มี Item ใดๆ ที่ Ancestor ไม่มี Minimum Support
ข้อเสียหลักของแนวทาง Uniform Support คือ Item ที่ระดับนามธรรมต่ำจะเกิดขึ้นบ่อยเท่ากับที่ระดับสูง
Using Reduced Minimum Support at Lower Levels
แต่ละระดับนามธรรมมี Minimum Support Threshold ของตัวเอง ยิ่งระดับนามธรรมต่ำ ยิ่งเกณฑ์เทียบเท่าน้อยลง หมวดหมู่การค้นหาต่อไปนี้สำหรับการขุด Multiple-level Association ด้วย Reduced Support:
Level-by-level Independent: เป็น Full Breadth Search ใช้ Background Knowledge ของ Frequent Itemsets สำหรับ Pruning ตรวจสอบแต่ละโหนดโดยไม่คำนึงถึงว่า Parent Node พบว่า Frequent หรือไม่
Level Cross-filtering by Single Item: Item ที่ระดับ i ถูกกำหนดก็ต่อเมื่อ Parent Node ที่ระดับ (i-1) เป็น Frequent
Level Cross-filtering by K-itemset: Itemset ที่ระดับ i ถูกกำหนดก็ต่อเมื่อ Parent K-itemset ที่เทียบเท่าที่ระดับ (i-1) เป็น Frequent
