关联规则挖掘作为数据挖掘研究方向的重要分支,是最热门的研究方法之一。由于关联规则挖掘方法可以发现不直接表观出来的数据间的联系,其在零售商业,Web挖掘和文本挖掘等领域有着广泛的研究应用。随着移动通信和互联网技术的迅猛发展,数据的规模也在不断增长,传统的关联规则挖掘方法无法适应数据规模较大的分析应用,如何改进关联规则挖掘方法以适应大数据量的需求已经成为数据挖掘领域的热点之一。本文在介绍了关联规则挖掘方法的相关概念和方法,详细对关联规则挖掘方法Apriori算法的相关知识和存在的问题进行总结,对算法效率的提高进行深入研究,本文研究工作内容如下:第一、传统的关联规则Apriori算法在生成频繁项集时需要多次扫描数据库,造成时间和资源的过度消耗。本文提出一种优化数据库编码规则的关联规则MRS-Apriori算法,该规则根据频繁项集来规范编码事务数据集,将事务数据项中不满足最小支持度的项删除,同时,增加一种判断标记(Judgemark),该标记用来判断事务数据项是否频繁,决定了统计频繁项集的过程中是否需要扫描此条事务数据,提高了MRS-Apriori算法在连接数据库时扫描数据库的效率。第二、传统关联规则Apriori算法在生成候选项集时存在着消耗过多时间的问题,本文在编码的基础上,提出基于Hadoop平台下MapReduce编程框架改进的MRS-Apriori算法实现并行化处理,提高了迭代时连接步骤的效率,降低了大规模数据样本运算的时间开销。实验结果表明,改进的MRS-Apriori算法可以有效的减少运算时间,在处理大规模数据集上具有较高的准确性。关联规则挖掘方法在不同的社会发展阶段有着不同的问题与挑战,在未来的工作中将进一步对算法的适用性和稳定性改进,以适应未来的发展研究。