随着互联网的不断进步与发展,各个领域的数据规模越发庞大,均出现指数级上涨的现象。在这种大数据的背景之下,传统的数据分析方法渐渐无法满足人们的需求,因此数据挖掘技术应运而生,它通过挖掘数据间隐藏的信息和规律为人们提供决策支持和预测帮助。关联规则是数据挖掘技术中应用相对广泛及成熟的方法之一,它在各个领域的科学研究以及实际应用中具有指导性的意义。关联规则方法中的常见算法包括Apriori算法、FP-Growth算法和一些改进算法等。但是这些算法的研究和应用大多是基于单机平台的,由于受到单机的内存容量和处理数据能力的限制,串行执行模式对大规模数据的处理能力有限。针对上述缺陷,国内外研究者开始将传统的关联规则算法移植到分布式平台上进行研究,因此基于Hadoop平台的并行挖掘方法优化成为了新的研究方向。本文根据上述研究背景,主要的工作内容如下表述。首先,介绍关联规则中经典的Apriori算法,并将经典算法在MapReduce框架下完成并行化实现,即提出MR_Apriori算法。进而将MR_Apriori算法与HBase分布式数据库结合,通过优化算法的剪枝方式提出了改进算法,即HMR_Apriori算法,并通过具体实例描述该算法的执行过程。其次,搭建Hadoop分布式集群环境,通过改变数据集大小和集群结点数量的两种方式进行算法执行时间的对比实验,实验结果证明并行的算法具备处理海量数据集的能力,而改进过的HMR_Apriori算法具有更高的执行效率。然后选用大规模真实的学生课程成绩作为数据集进行实验,利用HMR_Apriori算法进行数据挖掘并从挖掘结果中分析出课程之间的关联性。最后,将HMR_Apriori算法应用于教育平台,结合功能需求和性能需求对课程管理系统进行整体架构设计,设计开发出基于Hadoop分布式平台的课程管理系统。该系统除实现课程成绩管理等基本功能外,还能够结合数据挖掘结果为学生提供成绩预警信息,从而有利于学生及时调整和规划学习安排,在高校的教学管理中具有重要的现实意义和应用价值。