随着社会进入信息时代,大量的信息和数据成为了这个时代的特征。挖掘数据中隐藏的信息变得尤为重要,其中关联规则挖掘有助于确定数据库中对象之间的关系,并在许多决策系统中扮演着重要角色。然而,当下人们对于大数据的认识还是不够,对关联规则挖掘更是缺乏了解,不管是国内还是国外,对这方面的研究有着广泛的研究前景。本文主要是研究关联规则挖掘算法,主要工作如下:第一,对现有的关联规则挖掘算法以及相关改进研究进行了总结和分类,分析了现有的关联规则挖掘存在的问题,并对未来的研究工作进行了展望。第二,提出了一种基于矩阵压缩的加权关联规则挖掘算法,通过扫描一次数据库,将其转换为0-1矩阵,避免了多次扫描数据库的问题,然后,根据相关性质对矩阵进行压缩,降低算法执行过程中的计算量;同时,考虑到项目具有不同的重要性,采取了加权的方法;且本算法在挖掘过程中能直接查找高阶频繁项集。实验结果表明,本算法能有效提高关联规则的挖掘效率。第三,提出了一种基于启发式搜索的并行化关联规则挖掘算法,采用位图排序来提高最大频繁事务的搜索效率;引入贪婪机制,确保算法各个阶段的优越性;运用启发式搜索,保证挖掘最大频繁项集的效率和可靠性;在Spark平台中并行化执行算法,进一步提高算法的运行效率。实验证明,本算法挖掘关联规则的效率和精度都更好。