数据的爆炸式增长促使数据挖掘技术应运而生,作为数据挖掘的一个重要分支,关联规则用于发现庞大数据中隐藏的规则,并可广泛应用于各个领域。关联规则最初是以支持度为度量,挖掘出数据库中频繁出现的项集。考虑到真实数据库中项目的不同重要性,频繁项集被扩展到加权频繁项集,挖掘出用户更感兴趣的频繁项集。同时,由于现实数据库中数据的不断积累、产品利润的不同、以及项目重要性的不同,传统频繁项集挖掘方法已经无法满足现实的需求,因此在增量数据集上挖掘加权可擦除项集的研究受到了学者们的广泛关注。本文主要围绕加权频繁项集挖掘算法和加权可擦除项集挖掘算法进行研究和改进,采用高效的数据结构和修剪方法解决挖掘过程中所遇到的问题,具体内容如下所示:首先,针对当前加权频繁项集挖掘算法建树复杂、挖掘效率较低的问题,提出一种高效的加权频繁项集改进算法。该算法构造了一种高度压缩信息的加权构造树(WB-tree),并将节点信息存储在加权构造链表(WB-list)中。项集的搜索空间以集合枚举树的方式进行遍历,结合包含索引减少项集之间的连接次数并利用超集等价性质来加快加权频繁项集的产生,进而提高了算法的挖掘效率。实验结果表明,在稠密数据集和加权支持度较高的稀疏数据集上,改进算法具有较好的时间和空间效率。其次,针对真实数据不断积累及项目具有不同重要性的特点,提出一种在增量数据集上挖掘加权可擦除项集的改进算法。该算法采用列表结构有效地存储数据库的项集信息,在动态的增量数据中,利用权重条件修剪不满足阈值的项集,以减少项集挖掘过程中的内存消耗。然后结合包含索引和差集思想简化增益的计算过程,以实现高效的增量数据处理。实验结果表明,就运行时间和内存消耗而言,该算法在稠密和稀疏数据集上均表现良好,同时在合成数据集上,该算法具有很好的可伸缩性。最后,本文分别对加权频繁项集和加权可擦除项集挖掘算法所面对的问题进行了积极探索,指出了未来可能的研究方向。