Parmi les inconvénients d'un processus de fouille de données textuelles fondé sur l'extraction de règles figurent le grand nombre de règles extraites et la difficulté d'affecter à une règle un critère de qualité fiable par rapport aux connaissances de l'analyste (i.e., l'expert du domaine). La plupart des approches pour la sélection des règles d'association utilisent des méthodes statistiques pour juger de la qualité d'une règle. L'approche standard d'extraction de règles n'utilise pas les connaissances du domaine des données disponibles a priori. Dans cet article, nous évaluons la qualité d'une règle d'association par rapport au modèle de connaissances en définissant une mesure de vraisemblance. Cette vraisemblance mesure l'adéquation des règles extraites au modèle de connaissances du domaine. Nous pouvons classer les règles en deux catégories. D'une part, les règles qui sont strictement conformes au modèle sont dites triviales et sont ignorées. D'autre part, les règles qui ne dérivent pas du modèle sont potentiellement porteuses de nouvelles connaissances. Ces règles sont présentées à l'analyste pour être validées et, ensuite, pour enrichir le modèle de connaissances.