在大数据时代,丰富数据之间存在着隐藏、有价值的关联关系。而如何发现这些隐藏的、有价值的关系一直是数据挖掘领域的研究热点。关联规则挖掘是数据挖掘领域最有效的挖掘技术之一,可直接将数据库中丰富的关联关系挖掘出来,进而指导实际的营销工作。在传统关联规则中存在数据库中各项重要性相同、出现频率相似的前提假设,使得当数据库中的项目频率变化较大时,设置最小支持度较为困难,加权关联规则旨在解决该困难。然而该类算法中存在数据库中各项权重系数由专家人为方式标注的问题,面对现阶段呈指数级增长的大规模数据,专家人为标注显得不切实际。基于上述问题,本文在已有的算法基础上加以改进,提出了一种融合RNN与注意力机制的关联规则算法（3AM:Association Rule Algorithm Fusing RNN and Attention Mechanism）。该算法首先利用双向RNN融合注意力机制的深度学习方法进行数据项权重的求解,可实现数据库中各项权重的自动化标注。然后,基于所求权重,利用加权关联规则MINWAL（O）算法实现关联规则的生成。它可以充分学习数据库项目的隐含知识,生成更多有价值的关联规则,大大减少专家的工作量。最后,本文以高校图书馆数据为例进行实验设置,并基于聚类方法对各项的权重进行了分析。实验结果表明,相比传统的Apriori、FP-Growth和Apriori Inverse三种关联规则方法,本论文提出的方法具有较好的模型性能,且具有一定的解释性。本论文进一步设计了以图书馆推荐为例的原型系统,可为读者推荐较为准确的图书。