近些年随着互联网与信息技术的快速发展,互联网的规模得到了巨大的提升,它向用户提供的信息也正在急剧增加,我们正在面对一个“大数据”的时代。在这海量的数据中,如何获取最为符合个人需求的资源,是一个相当突出的问题。现有的传统搜索引擎与门户站点,能够在一定程度上缓解这一问题,然而它们已经不能完全满足需求,不能提供很好的个性化服务。在这种背景下,推荐系统作为解决“信息过载”问题的有效方案,得到了学术与工业界的广泛关注,在实际应用中也已经取得了大量成果。推荐系统主要包含的推荐方法为协同过滤推荐方法,基于关联规则推荐方法,基于内容的推荐方法,基于上下文推荐方法。关联规则是推荐系统中普遍应用的推荐方法之一,相对于协同过滤等推荐方法式一种直接推荐方法,它是从整体数据中挖掘事物间潜在的关联关系,与个人偏好无关,通过数据分析提取关联规则,为用户推荐他们可能感兴趣的信息。Apriori是关联规则提取的经典算法,该算法主要是逐层迭代过程中使用低维频繁项集生成高维频繁项集,国内外针对该算法从散列、采样、MapReduce模型等技术做了一些优化,主要从分而治之,减少数据IO等方面提高频繁项集提取效率,但是缺乏对冷、热门数据推荐平衡性的考虑和有效处理。本文对关联规则的Apriori算法频繁项集挖掘问题进行了重新评估和分析,发现该算法在数据剪枝过程中,可以利用已经统计的支持度在频繁项集组合生成候选项集时进行预剪枝,并结合Top-N推荐理论对该算法做了一些优化。为了提高个性化推荐效率和推荐质量,平衡冷门与热门数据推荐权重,本文定义了“k前项频繁项集关联规则”的概念并改进了测评指标“推荐非空率”,设计了“基于k前项频繁项集的剪枝”方法,提出了优化Apriori算法且适和不同测评标准值的k前项频繁项集挖掘算法,降低频繁项集提取的时间复杂度。理论分析比较与实验表明,k前项剪枝方法提高了频繁项集的提取效率,拥有较高的推荐非空率、F-measure和推荐准确率,有效的平衡了冷、热门数据的推荐权重。