随着信息技术尤其是互联网技术的快速发展,电子商务应运而生并逐渐普及。电子商务系统数据库积累了海量数据,但对商家决策有价值的知识却非常匮乏。关联规则作为数据挖掘(Data Mining)研究的主要模式之一,用于确定数据集中不同域或属性之间的联系,找出有价值的多个域之间的依赖关系,在网络购物中可用于为用户推荐相关商品,提高商家利润。由于其形式简单、易于解释和理解,目前已经成为数据挖掘中最成熟、最活跃、最重要的研究热点。本文正是对数据挖掘中关联规则挖掘算法进行研究,并将研究成果应用到某电子商务网站的个性化推荐系统中。本文主要研究内容如下:首先,总结当前的研究现状,给出数据挖掘相关概念及其基本方法和难点,重点介绍最经典的关联规则挖掘算法Apriori算法。然后,提出一种基于矩阵的关联规则挖掘算法(BOMA)。该算法利用项集的有序性构造一个矩阵,通过逻辑计算得到频繁1-项集以及最大频繁集,进而基于已获得的频繁项集和矩阵获得所有的频繁K-项集。相对于Apriori算法,BOMA算法提高了效率,对挖掘大量事务集中关联规则是快速有效的。接着,针对数量型关联规则挖掘中划分边界过硬以及规则丢失问题,提出一种加权模糊关联规则挖掘算法(NFWARM)。该算法基于专家定义的模糊区域和与之相关的隶属度函数,把数值转化为模糊值,避免了区间划分引起的边界过硬问题;同时,使用属性权重刻画元素对规则的贡献,在不引起规则丢失的情况下,保证了频繁项集的向下封闭性。最后,将文中提出的NFWARM算法应用到某电子商务网站的个性化推荐系统中。在提高用户操作友好性的同时,系统的挖掘结果能够对商家的经营决策起到积极的指导作用。