随着数据库技术的成熟和数据应用的普及,人类积累的数据量正在以指数速度增长。当数据量极度增长时,如果没有有效的方法,由计算机及信息技术来提取有用信息和知识,人们也会感到面对信息海洋像大海捞针一样束手无策。面对这一挑战,数据挖掘技术应运而生。数据挖掘(Data Mining,DM)就是从大量的数据中挖掘出人们感兴趣的知识,它是一类深层次的数据分析方法,被认为是解决“数据爆炸知识贫乏”的有效方法之一。最近几年里已被数据库界广泛研究。经过若干年的研究和实践,其经济价值已经显现出来,被广泛应用于科学研究、金融投资、市场营销、保险、医疗卫生、产品制造业、通信网络管理等行业。在整个数据挖掘的研究中,高效率的算法始终占有特别重要的地位。由于数据挖掘面对的是大量的数据集,因此算法的效率将对其应用起关键的作用。现有的算法总有着这样或那样难以克服的局限性。鉴于此,本文着重对关联规则挖掘算法进行了研究。在研究经典Apriori算法的基础上,给出了一个新的算法,分别从减小时间消耗和有效挖掘小概率重要规则两个方面对Apriori算法进行了改进:一方面,针对Apriori生成的潜在频繁项目集规模过大,新算法尽量减小潜在2项集的规模,使之尽可能的接近频繁2项集,大大缩短了时间消耗;另一方面,针对数据库中项目分布不均匀,出现概率相差较大,所挖掘出的关联规则将可能涉及不到出现频率较低的项目的问题,通过给他们赋以不同权值,区别对待数据库中的每个项目,从而可以挖掘出Apriori挖不出但却极具价值的规则。经过改进,新算法在时间上的消耗明显少于Apriori算法,大大提高了算法的效率;同时,由于加入权值,使得算法能够挖掘出隐藏在小概率事件后的关联规则,这些规则恰恰是一般改进算法易于丢弃或挖掘不出的。基于此,算法将会在诸如旅行社发掘新的线路,银行发掘新的留学贷款项目等商业智能应用中起到重要作用。