随着信息技术的不断进步以及数据的爆炸式增长,人们越来越深刻的认识到数据的价值。如何从大量的数据中发现有用的信息尤为重要,关联规则是数据挖掘中的重要分支,可用于发现数据库中不同项之间的关联关系,有助于企业做出商业决策。本文主要围绕着关联规则展开研究,首先介绍了数据挖掘和关联规则的相关概念,然后对Apriori和FP-growth两种经典算法进行分析,对比了两种算法在数据挖掘过程中发现频繁模式的优缺点。其次,提出了一种新的基于FP-growth算法的频繁模式挖掘算法MGFP-growth(Matrix and Group FP-growth)算法。该算法相对FP-growth算法的不足进行了两方面改进。一方面,FP-growth算法在构造FP-tree过程中需要扫描两次数据库,而且要多次遍历结果集L,降低了时间效率,因此本文提出了用二维矩阵按列存储每条事务,对每条事务进行分割和分组,建立parenttrace关系,可以快速建立新型的树形结构MGFP-tree(Matrix and Group FP-tree)。另一方面,FP-growth算法在挖掘频繁模式中,需要递归生成大量的条件模式基和FP-tree,导致内存开销大,而MGFP-tree是根据分组后的项构造树的节点,减小了树的分支;MGFP-tree挖掘分为两部分,一部分是非空父节点的频繁模式挖掘,另一部分是将非空右孩子节点中的非重复项添加至父节点的nodesplit中进行频繁模式的挖掘。最后,运用实验证明了MGFP-growth算法的效率优于FP-growth算法。将以上研究成果应用到现实数据中,通过MGFP-Growth算法挖掘拉勾网上Java开发相关岗位的隐藏信息,从多维角度分析企业招聘信息中的内在联系,为相关求职者提供参考和决策。