关联规则是数据挖掘的一个重要研究方向,用于寻找数据库中不同项或属性间的相关性。而在关联规则中最常使用的方法为Apriori算法,但其存在一些缺点,例如,产生大量的候选项集,需多次扫描数据库等,从而造成Apriori算法的计算效率比较低。后续虽有许多研究针对这些缺点做改进,但大多未脱离Apriori算法的整体框架,以致其执行效率并无很大的改进。除此以外,在关联规则挖掘中还普遍存在两个问题:1.用户在挖掘关联规则的过程中需要预先设置挖掘参数来获取想要的规则,但往往需要通过多次调整这些参数才能达到预期的目的,如何在参数多次调整中进行高效的挖掘? 2.当挖掘的数据库不断更新时,如何高效及时地挖掘出有趣的关联规则?传统的关联规则挖掘算法大都是静态的,对于上述问题,需要对数据库重新进行挖掘,执行效率不够高。本文首先针对第一个问题,提出一个新的关联规则挖掘算法,称为EUF算法。该算法通过一个子集模组的对映,至多扫描两遍数据库即可计算出出现在数据库中的所有项目集的支持数,最后再由使用者输入最小支持度阈值和置信度阈值产生关联规则,算法效率不受支持度大小的影响,并且在支持度调整时无需重新扫描数据库,所以执行效率平稳快速。针对数据库更新的情况,本文在EUF算法的基础上提出EUF-IU增量更新算法,不论数据库怎么变动,只需要扫描变动的那部分数据,即可挖掘出数据库更新后的关联规则,节省了时间耗费。实验证明,本文提出的两个算法能随着参数和数据库的变化,进行动态关联规则挖掘,两个算法的执行效率在支持度较小时优于传统的关联规则挖掘算法,尤其优于QDT算法。