关联规则挖掘（ARM）是数据库知识发现中的一个重要课题。自ARM思想出现以来，为了提高挖掘的性能，研究人员提出了很多ARM算法。但是，随着当今网络的发展，用户数据和知识指数级增长，同时，这些数据的重要程度又存在很大差别，因此，如何在海量数据中挖掘出用户真正需求的关联规则，是关联规则挖掘的一个新的难题。由于数据库中数据重要程度不同时，而传统ARM算法没有考虑数据的权重，因此传统的ARM算法不再满足实际需求。而且在处理大数据集时，原有的串行ARM算法计算量大，I/O资源消耗严重，在内存和计算消耗方面都会遇到瓶颈，无法在海量数据集中挖掘出关联规则。本文在研究了多种串行ARM算法的基础上，提出了一种基于Hadoop的分布加权关联规则挖掘（HWARM： Weighted Association Rule Mining on Hadoop）算法。该算法满足加权向下封闭性，解决了传统ARM算法无法挖掘不同权重数据的问题，使用Hadoop这一分布式计算平台并行化FP-tree算法以突破原有算法处理海量数据挖掘的局限性。实验结果分析表明，该算法可以满足数据权重不同的需求，且在处理大数据集时能有效地提高挖掘的效率。