数据挖掘方向的研究已经被用于社会生活的各个应用中,而关联规则挖掘又是数据挖掘领域中最基本、最重要的一个问题,关联规则研究能够发掘各种事务数据库的关系,对于科学研究、商业应用以及社会研究都有一定的价值。其中,数据挖掘用于社交网络方向的研究也是相关领域的一个研究热点,挖掘社交网络相关领域的研究层出不穷,这些研究成果着力于用户兴趣挖掘、信息推荐系统的角度,在信息时代的进步方面又进行了深一步的发展,同时也为用户带来极大便利。本文在进行数据挖掘、关联规则技术研究的基础之上,针对经典算法Apriori算法的连接复杂度过高、导致迭代次数相应过多的问题,提出了Apriori_M这一改进算法,对于Apriori进行算法预剪枝,在一定程度上减少了产生频繁项集的连接项集数,从而提升了算法的运行效率。同时,本研究从生物智能算法方向着手,使用免疫算法解决频繁项集的产生问题,提出了Apriori_IA算法,进行了免疫克隆、克隆变异和克隆选择三个算子的设计,从而使算法的产生过程高效化、全局化。最后,本文结合社交网络的平台,采集用户相关数据,在对数据进行过滤处理的基础之上,对于Apriori算法、Apriori_M算法和Apriori_IA算法进行实验验证并得出了测试结果。实验从变换最小支持度阈值和变换事务项集数目的角度分别进行算法对比,实验结果表明了两种改进算法的准确性和运行效率,同时在算法运行时间方面总的来说优于经典算法。