在当今大数据时代,从海量数据资源中挖掘出隐藏的、有价值的信息,为各行业管理者提供决策支持,具有十分重要的意义。关联规则的出现,为人们进行数据挖掘工作提供了新的方法。然而,关联规则的挖掘会消耗大量的时间和空间,影响挖掘效率。因此,如何减少算法的运行时间和空间占用,一直是关联规则研究的重点。为此,本文提出了一种基于频繁模式树(FP-tree)思想的项集表示方式,并基于此提出了一种改进的关联规则算法。同时,为了有效处理大规模数据集,实现了该算法在Spark平台上的并行化。最后,利用改进的算法对某高校人才数据进行关联关系分析,发现影响教师人才类型的主要因素,辅助高校人才引进工作的开展。论文主要工作如下:(1)为了减少关联规则算法的运行时间和内存占用,提出一种基于前序完全构造链表(PF-List)的关联规则挖掘算法(PFLARM)。该算法通过比较PF-List中前序编号和完全构造顺序编号的大小,连接两个频繁(k-1)-项集的PF-List得到频繁k-项集,该过程降低了挖掘频繁项集的时间复杂度,减少了算法的运行时间。同时,在连接PFList的过程中,使用包含索引策略、提前停止交集策略和父子等价策略减小搜索范围,降低了算法的空间占用。在Pumsb数据集和Retail数据集上进行对比实验,结果表明PFLARM算法在运行时间和空间占用上具有明显的优势。(2)为了高效地处理大规模数据集,提出一种基于Spark的并行PFLARM算法(P-PFLARM)。该算法在Spark分布式平台上,采用基于哈希思想的分组策略,将原数据库均衡的划分为多个条件数据库,并分发给相应的工作节点。通过在各工作节点上并行挖掘频繁项集,实现P-PFLARM算法的并行化。在Spark集群上进行实验,从运行时间、可扩展性和并行性三个方面验证算法的性能,结果表明P-PFLARM算法不仅运行时间较短,而且具有较好的可扩展性和并行效果。(3)应用P-PFLARM算法挖掘对高校人才引进工作有意义的规则。首先,以采集到的教师数据为基础,构建人才分类模型,并对教师进行分类。然后,将教师基本信息和人才类别结合,得到高校人才数据库。最后,利用P-PFLARM算法对高校人才数据进行关联关系分析,找出影响教师人才类型的属性特征,为高校管理者制定符合实际需求的人才引进方案提供决策支持,从而促进高校人才管理工作的开展。