由于院校学生数量庞大、且开设科目较多,因此在教学资源优化配置方面存在一定困难。对于每个学生而言,其各科成绩之间存在着较大的关联性,而这种关联性,又因为学校的不同、院系的不同相应地表现出较明显的差异性。针对这样的关联性以及差异性,Apriori算法结合云计算便能够进行进行更好的分析的研究。针对于每一个学校、每一个院系得出符合该集体的相应的教学资源优化配置方案。从传统的数据挖掘算法来看,它们可以很好地总结出一个群体,各个学科之间的关联性,但是由于算法本身在非线性方面并不能做到快速、准确回归,并且计算所消耗的时间略长,偶尔会遇到难以收敛的情况,在实际应用中的表现效果不是很好。因此,针对上述问题:本文使用云计算平台提高计算效率,同时利用材料学、计算学习中常用的MPM方法提高计算的收敛速度和精度。该方法将每一个数据点视为质点,MPM中的拉格朗日方法能够很好的追踪质点的轨迹,避免不必要的轮询,降低数据耗散并提高计算的精度。欧拉方法在MPM最初分背景网格,将数据点的背景网格,计算数据的衍生物,然后将计算结果重新投影到数据点,消除单位计算的差异。因此基于MPM方法改良Apriori算法,能够高效挖掘一些常规课程和计算机相关的其他一些综合教学与专业教学之间的相互关联性,以此来提供一些可行度非常高的建议,使教学管理与课程设置都能够达到很高的质量,同时也增强了教学的质量。经过改进后的Apriori算法发现了课程之间的相关性,能使教育工作者更加合理的分配课程的先后顺序以及各个知识间的对应关系,对学生提供更高效有利的帮助和教学;更重要的是,在挖掘任务中如果想要获取下一组节点的数据信息,只需要在改进后的Apriori算法中对某些节点的参数进行更新,因此大大提高了数据和资源的查询和搜索效率。