信息过载现象的发生,使得用户需要花费大量时间筛选有用信息,这无疑会大大降低用户体验。个性化推荐技术的出现,成为解决该问题的有效措施。关联规则挖掘作为当前运用较为成功的个性化推荐技术,受到众多研究者的青睐。本文针对个性化推荐准确性较低的问题,提出了基于混合蚁群粒子群算法(ACO-MPSO算法)的关联规则挖掘方法,旨在挖掘出质量更好的强关联规则,以提高个性化推荐结果的准确性。ACO-MPSO算法是在对基于蚁群算法、PSO算法的关联规则挖掘方法进行研究的基础上提出来的,其主要思想是利用PSO算法挖掘结果对蚁群算法的初始信息素浓度进行确定,以减少蚁群算法的盲目性,并引入Metropolis机制,避免早熟现象的发生。根据这一思想,本文对ACO-MPSO算法的执行过程进行了详细设计,并以某超市的购物记录为数据来源,以算法执行时间、强关联规则质量为评价指标,将ACO-MPSO算法与经典Apriori算法、PSO算法、蚁群算法以及混合模拟退火粒子群算法在关联规则挖掘问题上进行了实验对比。实验结果表明,ACO-MPSO算法可以挖掘出质量更好的强关联规则,且其执行效率较稳定。最后将混合蚁群粒子群算法应用于Movie Lens的个性化推荐中,并以命中率为准确性评价标准,将ACO-MPSO算法与Apriori算法、混合模拟退火粒子群算法进行了比较。实验结果表明基于混合算法的关联规则挖掘方法具有较高的准确性。