时序关联规则在规则随时间变化较大的应用领域的有效应用，使我们可以根据规则随时间变化的规律更好地描述客观现实情况，更好的识别动态系统的重现特征，及时调整企业经营的策略，预测特定事件的未来发生，也使其成为数据挖掘的重要研究方向，在实际的应用中具有重要的意义。针对原有时序关联规则在支持度度量上的不足，其算法在处理高密度海量数据时往往要耗费大量的时间处理规模巨大的频繁项候选集，同时需要多次重复扫描数据库，执行效率很低的问题，充分利用FP-Growth框架的高时空效率，提出了重新定义支持度度量方法后的时序关联规则的结构树优化算法OFP-Growth。该算法在生成有效频繁项集的同时，可以存储和计算频数向量，大大提高了执行的效率。针对时序关联规则在解决商品项分类时涉及到的分层不确定、不准确情形，引入了层次型关联规则的模糊扩展，即基于隶属度模糊的层次分类结构。它克服了原有分类结构仅仅考虑不同层次之间的语义差异，而没有进一步考虑具有不同隶属度项的语义差异的不足。在构建模糊层次分类结构过程中，通过有向无环图的形式来重新定义商品项间距离、项集间距离，最终得到关联规则间距离的度量方法。实验验证了该方法的有效性和良好的性能。将时序关联规则结果进行聚类分析，得到规则和规则之间相似性，并进行可视化展示。通过类中、类间的相似性比较，可以很形象地观察到商品分类的情况，方便企业经营管理。