假设 DB 表示原数据库，s 表示最小支持度阈值，FPDB 表示 DB 中对应 s 的 频繁模式集。假设有一批新事务构成的增量数据库 db 被追加到 DB 中，U=DB ∪db 表示整个更新后的新数据库。根据相同的支持度阈值 s，如果一个模式 X 在 U 中满足 Support(X)≥s×|U|，则 X 在 U 中是频繁的。假设新的频繁模式集为 FPU。
频繁模式的增量挖掘，就是通过已获得的频繁模式和更新后的数据库，按 照与原来相同的最小支持度阈值 s，高效发现新的频繁模式集 FPU。注意由于数 据库的改变，即使支持度阈值没有变化，DB 中的频繁模式未必是 U 中的频繁模 式，另一方面，原来在 DB 中不频繁的模式，有可能成为 U 中的频繁模式。假设 NFPDB 表示 DB 中不频繁的模式，NFPdb 表示 db 中不频繁的模式。对于所有 的模式，可以分成四类：
(1) C1 = FPDB ∩ FPdb，即在 DB 中频繁，在 db 中也频繁的模式；
(2) C2 = FPDB - FPdb，即在 DB 中频繁，在 db 中不频繁的模式；
(3) C3 = FPdb - FPDB，即在 db 中频繁，在 DB 中不频繁的模式；
(4) C4 = NFPDB ∩ NFPdb，即在 DB 中不频繁，在 db 中也不频繁的模式。
C1 中的模式肯定是 U 中的频繁 模式。
C4 中的模式肯定不是 U 中的频 繁模式。
C2 和 C3 中的模式在 U 中有可能是频繁的，也可能是不频繁的，它们需要分别带入 db 和 DB 中去计算它们的频度信息。
一种完全不依赖上次挖掘方法的增量挖掘策略： 采用任何一种挖掘方法挖掘原始数据库 DB，得到频繁模式集 FPDB。在增量数据 库 db 到来后，对增量数据库 db 进行挖掘（可采用任何一种挖掘方法），得到 db 中的频繁模式集 FPdb；挖掘的同时更新 FPDB 中的模式(C1和 C2)的支持度，可以 确定在更新后的频繁情况。对于在 FPdb 中，但不在 FPDB 中的模式(C3)，检验原 始数据库 DB，确定其是否是 U 中的频繁模式。
这样，通过已获得的频繁模式和更新后的数据库，按照与原来相同的最小 支持度阈值 s，可以高效地发现新的频繁模式集 FPU。可以看出，由于该方法完全不依赖上次挖掘所采用的方法，伸缩性较强。
Input: DB, db, s, FPDB
Output: FPU
Method: Call IM-FPM (DB, db, s, FPDB)
Procedure IM-FPM (DB, db, s, UFPDB) {
call Share-struct-Construction (db, s, SΦ);
FPdb = Share-FPM (SΦ,Φ, s);
C1 = FPDB ∩ FPdb;
C2 = FPDB - FPdb;
C3 = FPdb - FPDB;
for each transaction Ti ∈ DB
for each candidate c ∈ C3
if (c ∈ Ti)
c.support ++;
for each transaction ti ∈ db
for each candidate c ∈ C2
if (c ∈ ti)
c.support ++;
FPU = C1 {c ∪ ∈C2 ∨ c∈C3 | c.support ≥ s};
return FPU;
}