随着信息技术的飞速发展及广泛应用,各行各业都积累了大量的数据,利用传统的数据处理技术并不能将数据中隐藏的知识得到充分的发现与利用,因此数据挖掘技术应运而生。关联规则挖掘作为数据挖掘领域的一个重要方法,它能够在海量数据中发现有价值的信息,从而辅助许多商业活动做出恰当的商业决策。关联规则挖掘分为频繁项集挖掘和关联规则生成这两个步骤。而频繁项集挖掘是决定关联规则挖掘效率的关键所在,因此提高频繁项集挖掘效率是关联规则挖掘的研究热点。为了提高频繁项集挖掘效率,本文对FP-Growth相关的算法进行了改进。提出了一种基于单向频繁模式树UFP-tree的频繁项集挖掘算法UFIM(Unidirectional Frequent Itemset Mining Algorithm)。该算法首先构造一种单向频繁模式树UFP-tree,然后在所构造的UFPtree上引入被约束子树,并对指向相同端点和指向不同端点的被约束子树分别采用非递归和递归的方法来挖掘频繁项集。非递归的方法是判断端点的支持度计数是否小于最小支持度计数,若小于最小支持度计数则这棵被约束子树无频繁项集,否则其频繁项集为除根节点外的节点的组合。实验结果表明,UFIM算法的运行速度高于同类算法。为了提高UFIM算法在大数据环境下的频繁项集挖掘效率,本文对UFIM算法在Spark平台的并行化方案进行了设计。该方案首先并行求得频繁1-项集,然后将被单项约束的子树所需要的数据分发到多个子节点,各子节点独立挖掘属于该部分的频繁项集,最后将各节点挖掘的局部频繁项集进行汇总得到全局频繁项集。实验结果表明:基于Spark平台的并行化UFIM算法具有较好的时效性,适用于大数据频繁项集挖掘。为了更好的检验基于Spark并行的UFIM算法的实用性,本文开发了一个简单的图书推荐系统。该系统通过对用户历史购买记录进行分析得到前后件都为图书标识的关联规则,根据用户浏览的图书标识推荐其可能购买的图书。应用结果表明,基于Spark并行的UFIM算法能够有效的应用到图书推荐系统中去,能够准确的进行商品推荐。