概念分布とは、或る概念の下位ノードにある概念の分布である。各下位概念には０〜１の値が与えられており、足しても1になるとは限らない。
概念分布のうち知識発見に重要なものとして概念比率分布というものがある。この分布はある文書集合に対して、選択された概念のそれぞれが付与された文書集合が占める比率を表している。また、条件付き概念比率分布も用いられる。

テキストマイニングで分布を比較する際の基準となる分布の一つとして概念階層中の兄弟概念ノードにおける平均分布が用いられる。

文書集合から得られる基本的特徴パターンとして頻出概念集合がある。頻出集合は本来、相関ルールを見つける際に定義されるものであるが、他のテキストマイニングの目的に利用可能な情報を多く含んでいる。テキストマイニングにおける頻出集合はその頻出集合に含まれた概念の論理的クエリとみなすことができ、包含関係による半順序関係が成り立つため、頻出集合の部分集合は常に頻出集合である。頻出集合の発見は、パターン発見、相関ルール発見の準備として有用である。

近接頻出概念集合は概念に関する二つの頻出集合の間に成り立つ方向のない関係を規定するものである。これは二つの集合の重複度合いを図ることで定量化することが可能である。また、概念集合間の有向な関係も定義可能であり、相関の一種と考えることが可能である。

相関とは、概念間、または概念集合間における有向の関係である。
A,Bをそれぞれ概念集合とすると、相関ルールは一般的にA⇒Bと表される。これは「AであればBであるという傾向がある」ことを示している。
この相関ルールは、サポートと確信度という基本的な指標で定量化可能。
より正確に相関ルールは以下のように定義される。

・r={t1,...,tn} を文書集合、またはrの中の個々の文書にはm個の概念からなる概念集合R={I1,...,Im} の部分集合が付与されているとする。

・Aを概念、t を文書とすると、Aが文書 t に付与されている場合は t(A)=1、付与されていない場合は t(A)=0と表す。

・WがRの部分集合であるとき、t(W)=1はA∈Wであるすべての概念Aに対してt(A)=1であることを意味する。

・XをRの部分集合とするとき、(X)={ ti | ti(X)=1 }と定義する。すなわち(X)は、Xに含まれる全ての概念が付与されている文書 ti の集合である。

・ある数値σ（サポートの閾値）に対して|(X)|≧σであるとき、Xはσ被覆という。

W⊆RかつB⊆R＼Wであるとき、文書集合 r 上の相関ルールをW⇒Bと表す。この相関ルールにおいてWを条件部（LHS）、Bを結論部（RHS）と呼ぶ。W∪Bがσ被覆であり、かつ|(W∪B)|/|(W)|≧γであるとき、文書集合 r は確信度の閾値γ（0＜γ≦1）とサポートの閾値σで相関ルールW⇒Bを満たすという。これは、Wに属する概念が付与されている全ての文書は、少なくともγの比率で概念Bも付与されており、さらにWとBに含まれている概念全てが付与されている文書が少なくともσ件あることを意味している。

相関ルールは、概念間の関係性を一般的に説明するするために有用である。これに対し極大相関は、少し特殊な概念間の関係を表す。これは、ある概念から見ると相関があるが、別の概念から見るとあまり相関がないといった種類の概念間の相関も説明できる。