面对互联网和大数据时代的来临,数据挖掘对人们生活的影响越来越大。关联规则挖掘作为其关键部分,可以通过各种算法从海量数据中找出隐藏在其中的相关信息。找到所有频繁项集是关联规则中最重要的阶段。高效的频繁项集挖掘算法将大大提高关联规则的时间和空间效率。挖掘频繁项集主要分为连接步和剪枝步两部分,这两部分的算法效率将直接影响到频繁项集的生成时间和空间大小。本文首先研究了经典Apriori算法低时空效率的缺点,同时研究了当前频繁项集挖掘的研究成果。之后,研究了经典Apriori算法在连接步骤和剪枝步骤中的原理。同时,研究了基于散列的频繁项集挖掘方法以生成候选项集的方法。随后以大量数据集为例,为提高频繁项集的生成效率,改进了动态散列进行频繁项集的挖掘算法。根据对原理和实验结果的分析,结合数据集的数据特点,提出了4种影响动态散列的主要因素。并且为解决不同数据特点的数据集,细化了动态散列的适用范围和场景。在分析了动态散列进行连接的特点,提出影响因素之后,本文针对动态散列处理后的数据和经典Apriori算法,提出了一种基于事务压缩的改进算法。通过设计相关实验,以连接步的不同方法作横向对比实验,将改进后的算法与经典Apriori算法作了纵向对比。实验结果显示,基于事务压缩的改进算法具有较好的效率。最后为解决含不同数据特点的大规模数据集进行频繁项集挖掘问题,设计了动态散列和事务压缩相结合的改进算法。最后将改进后的算法应用到校园网的关联规则挖掘中,以校园网的web日志为数据集进行了关联规则的挖掘。根据挖掘的结果,为校园官网的结构优化、网站布局、相关推荐、响应速度、异常操作等决策提出了可行性的建议。