数据挖掘的任务是发现大型数据集中隐藏的、预先未知的知识。关联规则的挖掘是数据挖掘研究的重要问题之一。该问题自1993年被R．Agrawal等人提出以来，一直受到广泛关注和重视。通常，关联规则的挖掘分两步： (1) 挖掘所有的频繁项集； (2) 由频繁项集产生强关联规则。其中第一步的时间复杂度远高于第二步。从频繁项集产生关联规则的方法是简单的，但是可能导致无意义的关联规则的产生。 一些研究者注意到这一问题，提出在产生关联规则时利用提升度判断规则前、后件之间的正相关性，进一步过滤掉一些无意义的规则。但是，这种做法仍然存在两个问题：(1)不能减少挖掘频繁项集的时间开销。(2)不能保证规则前件(后件)中的项是正相关的，当规则的前件或后件内部存在负相关的项时，仍然可能产生无意义的关联规则。 针对以上问题，本文基于数学期望，引进正相关的频繁项集的概念，并给出一种挖掘正相关的频繁项集的算法。本文的算法可以直接在FP-树中挖掘正相关的频繁项集，将正相关性的判断推进到了挖掘频繁项集的过程中。这样，不仅可以大幅度地减少产生频繁项集的数量，显著地提高挖掘频繁项集的效率，而且在由频繁项集产生关联规则时，可以有效地避免产生无意义的关联规则。此外，在挖掘频繁项集时，本文的算法还通过提取公共项，进一步降低了递归地构造条件FP-树的时间开销。在UCI机器学习基准数据集上实验表明，本文算法可以大幅度地减少产生频繁项集的数量，显著地提高挖掘频繁项集的效率，具有很好的性能，对于大型、稠密数据集尤其如此。