अल्पकालिक पैटर्न के खनन के लिए विकसित तकनीकों का पहला वर्ग प्रत्येक आइटम को एक सममित बाइनरी चर मानता है। लेनदेन जानकारी को नकारात्मक आइटम्स के साथ बढ़ाकर बाइनरीकृत किया जा सकता है। यह प्रारंभिक डेटा को सकारात्मक और नकारात्मक दोनों आइटम्स वाले लेनदेन में बदलने का एक उदाहरण दिखाता है। वर्तमान लगातार आइटमसेट जनरेशन एल्गोरिदम जैसे एप्रोरी का उपयोग बढ़े हुए लेनदेन पर करके, कुछ नकारात्मक आइटमसेट प्राप्त किए जा सकते हैं।
ऐसा दृष्टिकोण केवल तभी संभव है जब कई चरों को सममित बाइनरी माना जाता है (यानी, केवल कुछ आइटम्स के निषेध वाले नकारात्मक पैटर्न के लिए देखा जाता है)। यदि प्रत्येक आइटम को सममित बाइनरी माना जाना चाहिए, तो समस्या निम्नलिखित कारणों से कम्प्यूटेशनली कठिन हो जाती है।
जब प्रत्येक आइटम को अपने संबंधित नकारात्मक आइटम के साथ बढ़ाया जाता है तो आइटम्स की संख्या दोगुनी हो जाती है। 2d आकार के आइटमसेट लैटिस का पता लगाने के बजाय, जहां d प्रारंभिक डेटा सेट में आइटम्स की संख्या है, लैटिस बड़ा हो जाता है।
नकारात्मक आइटम्स बढ़ाए जाने पर समर्थन-आधारित प्रूनिंग अब कुशल नहीं है। प्रत्येक चर x के लिए, या तो x या x' 50% से अधिक या बराबर प्रदान करता है। इसलिए, भले ही समर्थन थ्रेशोल्ड 50% जितना बड़ा हो, आधे आइटम्स लगातार होंगे।
निचले थ्रेशोल्ड के लिए, कई आइटम्स और संभवतः उन्हें शामिल करने वाले आइटमसेट्स लगातार होंगे। समर्थन-आधारित प्रूनिंग विधियाँ जो एप्रोरी द्वारा नियोजित हैं, केवल तभी कुशल हैं जब अधिकांश आइटमसेट्स के लिए समर्थन कम हो; इसलिए, विभिन्न लगातार आइटमसेट्स घातीय रूप से बढ़ते हैं।
प्रत्येक लेनदेन की चौड़ाई बढ़ जाती है जब नकारात्मक आइटम्स बढ़ाए जाते हैं। मान लें कि प्रारंभिक डेटा सेट में d आइटम्स उपलब्ध हैं। मार्केट बास्केट लेनदेन जैसे विरल डेटा सेट्स के लिए, प्रत्येक लेनदेन की चौड़ाई d से बहुत छोटी होती है।
तदनुसार, एक लगातार आइटमसेट का अधिकतम आकार, जो अधिकतम लेनदेन चौड़ाई, wmax द्वारा सीमित है, अपेक्षाकृत छोटा होता है। जब नकारात्मक आइटम्स शामिल होते हैं, तो लेनदेन की चौड़ाई d तक बढ़ जाती है क्योंकि एक आइटम लेनदेन में मौजूद होता है या लेनदेन से अनुपस्थित होता है, लेकिन दोनों नहीं।
क्योंकि अधिकतम लेनदेन चौड़ाई wmax से d तक बढ़ गई है, यह कई लगातार आइटमसेट्स की संख्या को तेजी से बढ़ा देगा। तदनुसार, कुछ वर्तमान एल्गोरिदम टूट जाते हैं जब उन्हें लंबे डेटा सेट पर उपयोग किया जाता है।
पहला ब्रूट-फोर्स दृष्टिकोण कम्प्यूटेशनली महंगा है क्योंकि यह हमें बड़ी संख्या में सकारात्मक और नकारात्मक पैटर्न के लिए समर्थन तय करने के लिए मजबूर करता है। डेटा सेट को नकारात्मक आइटम्स के साथ बढ़ाने के बजाय, एक अन्य दृष्टिकोण उनके संबंधित सकारात्मक आइटम्स के समर्थन के आधार पर नकारात्मक आइटमसेट्स के समर्थन का फैसला करना है।
