从事务数据库中挖掘有意义的项集已经被研究超过10年。频繁项集挖掘主要挖掘出那些在事务数据库中大量出现的项集,这些项集之间存在很强的联系,可以为决策者提供有效信息,从而可以制定更好的营销策略。高效用项集挖掘则考虑了事务在效用上的不同,以及用户最终所关心的目标,通过选择不同的效用函数,能够使得挖掘得到的项集的组合更具有针对性。实际上单独使用这两种衡量方式都有各自的局限性,比如出现次数很高的项集可能对商家最终需要达成的目标贡献较小,虽然这些项集之间联系很强,但对最终的决策不具有很大的参考价值。而效用值很高的项集,出现次数可能很低,项集之间联系很弱。因此将这些项集推荐给用户可能没有太大的意义。在本文中,我们将这两种衡量标准综合起来考虑,希望找到那些高质量的项集,即那些出现次数多且效用值高的项集。另外,在所有这些高质量的项集中,用户往往只对那些最重要的项集感兴趣,所以我们将问题形式化表述为挖掘top-k个频繁和高效用项集,即在对支持度和相对效用值做加权和得到质量值(quality)后,取k个最高质量值的项集推荐给用户。我们提出了新的算法FHIMA,它采用PrefixSpan算法的思想,挖掘时能避免产生非频繁的候选项集。同时综合利用支持度和效用值的特性,设计出新的计算质量值上界的方法,大大减少了搜索空间。最后,我们在不同的数据集上验证了FHIMA算法的效率。实验结果证明了FHIMA算法能提高算法的效率,同时证明了紧的上界值在效率上要优于松的上界值。