随着经济社会的快速发展,日常活动中数据存储的规模增长迅速,就如何对规模巨大的数据进行有效的利用,进而发现能为人类日常活动创造知识的需要日益迫切。本文谈到的所谓关联规则挖掘即是发现数据库中不同对象之间是否存在关联关系的过程。当一项有价值的关联规则被发现时,它通常能被广泛运用于诸如互联网营销策略、金融安全甚至超市运营等众多方面。然而,现有的数据挖掘算法对海量数据的分析利用效果却不尽如人意。如先验算法是依据统计学中的数据显著性,即在支持度-置信度体系下进行关联规则挖掘的,过程需要多次访问数据库,效率较低,同时忽视了数据显著性不一定体现规则价值性这一问题。鉴于关联规则如此广泛的应用范围,就如何进一步提高关联规则挖掘算法的效率及价值性是摆在研究者面前的一个重要研究课题。本文的研究主要包括以下内容:　　1、本文对传统的先验算法(Apriori)和频繁增长算法(FP-Growth)进行了简要的阐述和分析:先验算法的不足在于挖掘关联规则过程中需要多次访问数据库,运算过程较复杂,对于计算机硬件的消耗较大。而频繁增长算法的不足在于空间的消耗较大。基于对两种算法的分析,本文提出了基于布尔矩阵的关联规则挖掘算法,主要用于提高对频繁项集的挖掘效率。　　2、本文进一步分析了基于支持度-置信度挖掘体系的算法,这种算法存在着规则价值性不明的缺陷,因而本文引进了最小价值度这一标准补充这一体系。在结合支持度、置信度和价值度对关联规则进行挖掘后,将过程与结果和传统算法作对比。展现了本文算法在基于“二八定律”,能够有效挖掘出对特定客户有特殊价值的关联规则的优势。