数据挖掘是知识发现(KDD)过程中的核心部分,数据挖掘是从大量数据中发现有趣模式,即从数据库海量的数据中找出隐含的、未知的、但却是非常有用的信息。关联规则是数据挖掘重要技术之一,本文对关联规则进行分析研究,主要包括以下内容:(1)对Apriori算法进行深入研究。分析算法思想,针对算法缺陷,本文分别给出改进算法。实例证明,改进后的算法能有效减少候选项集个数,提高执行效率;有效减少扫描数据库次数,减小I/O负担。(2)深入研究FP-Growth算法思想和FP-Tree存储结构。通过分析算法,得到影响FP-Tree大小的因素,建树的过程中确保压缩效果最好,从而减小I/O负担,提高算法效率。结合实例,比较了Apriori算法和FP-Growth算法性能。(3)对关联规则度量方法进行了深入研究。本文分别从数学和规则度量两个方面,重点分析了兴趣度度量存在的问题。针对现有度量标准存在的不足,结合规则有效性原则,提出一种度量改进方法。分析结果表明,该改进方法可有效屏蔽掉无效规则。最后给出了关联规则一个应用实例,将算法引入到银行客户信息系统中,实验结果表明,改进后的度量可以有效约束规则,改进效果较好。