信息时代产生的海量数据,使得数据挖掘成为当今各行各业制定销售策略、寻找精准客户群等工作的重要手段,其中频繁项集挖掘(Frequent Itemset Mining,FIM)和高效用项集挖掘(High Utility Itemset Mining,HUIM)是数据挖掘领域中的两个重要分支。频繁项集挖掘仅关注项集在数据库中出现的次数,而高效用项集挖掘则是考虑用户偏好、重要性、利润等因素对项集“有用性”影响,因此更能满足现实中人们对事物“有用性”的要求。而随着相关研究的逐渐成熟,有学者发现单独使用频繁项集挖掘算法或高效用项集挖掘算法并不能满足某些实际场景的应用需求,因此,频繁高效用项集开始成为数据挖掘领域的研究对象。当前越来越多领域的数据在以数据流的形式产生和存在,但其具有的不同于静态数据的特性给数据挖掘工作带来了新的要求和挑战,因此针对数据流的挖掘工作也就具有了十分重要的理论意义和实践价值。本文以高效用项集挖掘研究为中心,从几个方面对研究工作进行扩展,主要包括:(1)针对FHM(Fast High-utility Mining)算法中EUCS(Estimated Utility Co-occurrence Structure)的不足之处,提出一种改进的EUCS和相应的高效用项集挖掘算法i FHM(improved FHM)。改进的EUCS中存储的是更紧凑的效用约束上界——子树效用(Sub-tree Utility),同使只保留满足效用约束条件的子树效用值,使得挖掘效率有一定程度的提升。(2)为克服单独使用频繁项集挖掘算法或高效用项集挖掘算法的局限性,在i FHM算法中构建一个新结构ESCS(Estimated Support Co-occurrence Structure)存储所有2-项集的支持度,提出一个数据流频繁高效用项集挖掘算法i FHMS-SW(improved FHM with Support Based on Sliding Window)。该算法利用EUCS和ESCS找出既频繁又高效用的项集,并使用Storm中的事务滑动窗口机制实现了对数据流的增量挖掘,实验结果证明了该算法的有效性。