数据挖掘(Data Mining)，又称数据库中的知识发现(Knowledge Discovery in Database)，在最近几年里已被数据库界所广泛研究，其中关联规则(Association Rules)是挖掘的一个重要的问题。 关联规则是发现交易数据库中不同商品(项)之间的联系，这些规则找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响。发现这样的规则可以应用于商品货架设计、货存安排以及根据购买模式对用户进行分类。 本文首先介绍了数据挖掘的相关基本知识，常用的归约方法和关联规则算法的一般生成过程。接着，详细讨论了数据仓库的相关理论，既在宏观上讨论了数据仓库面向的对象和使用的方法，又给出频繁集产生算法的实现。并给出了详细的数据结构和算法实现的细节，比较了它与常规频繁集算法的区别，指出了优点所在。 文章中实现的FP-growth算法是一个频繁集产生算法，与一般的类似于Apriori的频繁集产生算法相比，FP-growth算法的优点在于它不需要产生大量的候选集，因而在时间和空间上都有很好的效率。在算法实现过程中，采用了全序元素的组织方式，提高了程序执行的速度，同时也考虑了空间占用的问题，尤其是对内在和管理问题。程序采用了C++的标准模板库(STL，Standard Template Library)，涉及到的数据结构有向量，集合和快速排序算法等。 就该算法对数据挖掘的作用来说，一方面，它可以给研究数据挖掘关联规则的科研人员提供思路，供科研人员参考，另一方面，如果将其整合到其它现有的数据挖掘工具中，也可以大大提高查询的效率。