伴随着信息社会的发展,每个行业都产生了越来越多的数据,对这些行业本身来讲,从这些看不出规律的数据中提取出有用的信息变得越来越重要。如今,被广泛地应用于各行各业的关联规则分析逐渐成为了数据挖掘技术中的研究热点,于是现阶段在数据挖掘领域中最重要的任务就是,如何更高效地应用关联分析技术来处理这些海量的数据集。长久以来,传统的Frequent-pattern Growth算法(即FP-Growth算法)是关联规则技术中最核心的算法,但当它在面对大规模数据集时,内存不足和执行时间过长的短板就会暴露出来,而解决这些问题最好的方式无疑是并发处理。本文改进了原有的FP-Growth算法的频繁模式树(即FP-tree)的数据结构,并且对其运用剪枝策略,通过合并满足规则的FP-tree单路径来优化FP-tree,减少了挖掘过程的迭代次数,从而加快了效率。同时,考虑到Spark平台较Hadoop等平台的优势,本文将改进后的串行算法部署到了 Spark集群,实现了算法的并行化,提出了 Improved Spark FP-Growth算法,简称IPFP算法。本文设计了实验对比了 IPFP算法、在Spark平台部署的未改进的FP-Growth算法以及在Hadoop平台部署的改进后的FP-Growth算法在不同支持度与事务量上的时间效率,实验结果表明]IPFP算法在不同支持度与事务量上的时间消耗最少。本文将IPFP算法应用在高校图书馆的图书推荐上,设计了基于IPFP的图书馆选书推荐算法。通过IPFP算法从图书馆借阅数据库挖掘出频繁项集并生成关联规则,再将生成的关联规则用于图书馆的选书推荐服务。本文设计实验对比了在不同邻居数目K条件下基于IPFP的推荐算法、基于协同过滤的推荐算法以及传统的关联规则推荐算法。实验表明基于IPFP的推荐算法在推荐的准确率和召回率这两个指标上优于其它两种算法。