关联规则挖掘是数据挖掘众多研究领域中非常重要的研究方向之一,其应用领域涵盖了应用经济学、教育学、管理学、情报学和医学等等,具有很高的研究价值和实际意义。为了快速发现事务数据库中不同项目之间潜在且有趣的规则,本文主要研究了与关联规则挖掘算法相关的如下四部分内容:(1)串行频繁项集挖掘算法。本文在深入研究了Apriori算法和Eclat算法的基础上,提出了一种采用优化候选项集的改进Eclat算法,即IEclat算法。通过对比分析Apriori算法、Eclat算法和IEclat算法的仿真结果,证明了IEclat算法的准确性和有效性。(2)并行频繁项集挖掘算法。本文在重点研究了Hadoop平台及其重要组成部分的基础上,提出了一种以IEclat算法为核心算法,以MapReduce框架为计算模型的并行频繁项集挖掘算法,即MR_IEclat算法。通过对比分析MR_Eclat算法和MR_IEclat算法的仿真结果,证明了MR_IEclat算法的准确性、有效性和可扩展性。(3)兴趣度度量方法。本文通过分析传统的“支持度-置信度”模型存在的问题,引入了兴趣度,并提出了一种新的兴趣度度量方法,即“相关兴趣度”。通过与全置信度、确信度、提升度、优势比等四种典型的兴趣度度量方法作比较,总结了相关兴趣度的性质和优势。(4)关联规则挖掘模型。本文通过计算四种典型兴趣度和相关兴趣度的值来分析关联规则的有趣性,得出了使用单个兴趣度不能获得更有趣的关联规则的结论。通过结合传统模型和多种兴趣度度量方法,提出了“支持度-置信度-多兴趣度”的模型。通过对比分析传统模型和新模型的仿真结果,证明了使用新模型挖掘关联规则可以删除冗余的关联规则,并且挖掘出的关联规则比传统模型挖掘出的关联规则更有趣。