Nghiên cứu gắn với ứng dụng thực tiễn là hoạt động cần nhiều thời gian và
công sức không nhỏ của các nhà khoa học. Hơn nữa, trong thời đại công nghệ 4.0,
các ứng dụng không chỉ hỗ trợ các tính năng kinh doanh cơ bản mà còn giúp con
người đưa ra những dự đoán tương đối chính xác ở thời điểm hiện tại và tương
lai. Sự phát triển mạnh mẽ của các hệ thống thông minh này làm tăng nhu cầu ứng
dụng thực tế dẫn đến việc tạo ra một lượng lớn dữ liệu hàng ngày. Các công cụ và
phương pháp thống kê truyền thống dựa trên nhu cầu ứng dụng, nhưng chúng
không có khả năng xử lý lượng dữ liệu khổng lồ có nguồn gốc từ các ứng dụng
này. Việc phân tích những dữ liệu như vậy là nhiệm vụ ưu tiên hàng đầu nếu
không nó sẽ chuyển sang một hệ thống rất phức tạp và bất lợi. Để khắc phục vấn
đề này, khai phá dữ liệu [1]–[3] là một trong những cách tiếp cận có lợi bằng cách
hỗ trợ phân tích dữ liệu và tóm tắt dữ liệu thành thông tin hữu ích. Khái niệm khai
phá dữ liệu là tạo ra thông tin chưa được xác định trước đó với mức độ liên quan
lớn từ cơ sở dữ liệu để ra quyết định. Phụ thuộc vào sự đa dạng của kiến thức, các
phương pháp khai phá dữ liệu có thể được chia thành các loại: luật kết hợp [4]–
[8], phân loại [7], [9]–[11], phân cụm [12]–[14] và các mẫu tuần tự [15], [16].
Đặc biệt, khai phá luật kết hợp rất quan trọng đối với nghiên cứu khai phá dữ liệu
[17]–[19]. Trong các giao dịch kinh doanh phổ biến, luật kết hợp có dạng 𝐴 → 𝐵
với mục đích tìm kiếm mối quan hệ của các mục trong cơ sở dữ liệu. Điều này
giúp doanh nghiệp đưa ra quyết định trong việc hoạch định chiến lược kinh doanh,
tiếp thị. Trong giai đoạn thứ nhất của quy trình khai phá luật kết hợp, các tập phổ
biến được lấy từ một tập hợp dữ liệu nhất định. Từ các tập mục phổ biến được
trích xuất, các luật kết hợp được xây dựng trong giai đoạn thứ hai. Giai đoạn chính
của khai phá luật kết hợp là khai phá tập mục phổ biến vì cần rất nhiều nỗ lực để
định vị các tập phổ biến trong một tập dữ liệu. Hầu hết các nghiên cứu trong lĩnh
vực này đều tập trung vào việc nâng cao hiệu quả khai phá theo nhóm mục phổ
biến về mặt thời gian và bộ nhớ.