随着电子商务的迅速发展,个性化推荐得到了越来越多人的重视。个性化推荐是一种已经被公认的能够有效解决internet“信息过载”的方法。关联规则挖掘技术是个性化推荐技术中一个重要的研究方向。目前对关联规则的研究有很多,对其进行研究不仅有很重要的理论意义,而且也有着重要的应用价值。关联规则算法研究是关联规则数据挖掘研究中的重要部分,其中最著名的算法是Agrawal提出的Apriori算法。现有很多算法是对Apriori算法的改进。多数算法是基于所有项目具有相同重要性程度的前提提出的。但现实中并不是如此,不同的项目往往具有不同的重要性程度。本文引入了加权关联规则的概念,比较分析了现有的加权关联规则的优缺点,从实际应用出发通过属性所能带来的实际效益来确定该项目的权值。而且充分考虑了时间对数据库中数据重要性的影响,对加权关联规则算法进行了改进,并通过实例对算法进行了详细说明。传统的算法都是集中在确定的概念上来进行,不适用于更加贴近现实的模糊概念。本文结合模糊集理论进一步研究,拓宽了关联规则的应用范围。本文主要对模糊关联规则算法中隶属度函数的确定问题进行了进一步的讨论,并结合加权关联规则算法设计实现了改进的加权模糊关联规则算法NFWAR(New Fuzzy Weight Association Rules)。通过现实数据对算法的性能进行了进一步的实例分析和仿真测试,结果证明了算法能够挖掘出有意义的关联规则,有较好的实验结果。