关联规则挖掘是数据挖掘的一个重要组成部分,频繁集挖掘是关联规则挖掘的关键步骤,它在很大程度上决定了关联规则挖掘的效率。本文分析和研究了两种著名的频集算法Apriori和FP-growth,指出了它们各自的优缺点。并提出一种基于Apriori的改进算法G_apriori。本论文所做的主要研究工作如下:(1)概括了数据挖掘和Web挖掘的相关概念、定义、结构、分类、特点等,介绍了面向电子商务的Web挖掘的过程、技术、个性化推荐服务。研究了常见的关联规则挖掘算法,给出关联规则挖掘的相关概念及关联分类和关联挖掘步骤(2)分析和研究了经典的Apriori和FP-growth关联挖掘算法,研究了算法思路,算法描述,分别举例分析了该算法的执行流程,分析比较了这两种算法。并提出一种基于Apriori算法的改进算法G_Apriori。给出了的算法的设计思路,算法描述,以及实例运行过程。针对Apriori算法在执行过程中多次扫描数据库,大大降低了算法的执行效率的缺点,G_apriori算法在执行过程中只需扫描一次数据库,且产生的候选项集数目要远低于Apriori算法所产生的。(3)设计了一个面向电子商务推荐系统的模型,并给出该模型的系统结构图,分别详细给出离线模块和在线模块的结构设计思想及各模块的功能说明,最后举例详细说明G_Apriori算法在推荐系统中的应用过程。