数据挖掘是以某种方式分析数据源,从中发现一些潜在的有用的信息,所以数据挖掘又称为知识发现,而关联规则挖掘是数据挖掘中的一个重要课题,从数据背后发现事物之间存在的关联。如今,关联规则挖掘技术已经广泛应用于金融、互联网、医疗等众多领域,学者们对于关联规则挖掘算法的研究热情更是日益高涨。传统的关联规则挖掘算法都默认事物具有相同的重要性且分布均匀,但是在实际的生产和生活中,事物往往都具有不同的重要性且分布不均,因此,本文基于加权关联规则挖掘算法进行研究。本文在引进加权模型的条件下,主要针对经典的FP-growth算法进行了改进,一方面是采用有序FP树来代替传统FP树,进而减少存储空间的利用;另一方面是采用二维列表记录项的加权支持度,省去了在生成加权条件FP子树时对条件模式基的第一次遍历。基于关联规则挖掘中要处理的数据量越来越大的情况,Hadoop分布式系统架构应运而生,海量数据的处理不再是难题。本文采用Hadoop中的Map Reduce并行计算框架来处理数据集,并提出均衡化分组策略,避免了数据倾斜的产生,分布式数据处理降低了时间复杂度,能够高效地进行海量数据的关联规则挖掘。本文研究了基于hadoop和加权模型的FP-growth算法,详细地讲解了改进算法的实现步骤,经推导和实验验证,充分地证明了基于Map Reduce的加权有序FP算法要比传统的加权有序FP-growth算法能更好的适应大数据,大大缩短了整个算法的运行时间,效率得到提高。