大数据不仅仅是一大热点问题,也是一种重要的资源。数据在我们的生活中无处不在,如何从数据中获得有用的信息就显得尤为得重要。数据挖掘可以把数据的价值运用到日常的生产生活中,因此,数据挖掘成为处理、分析大数据的重要技术。数据挖掘有分类、关联分析、聚类分析及异常检测等不同的分支,其中关联分析是数据挖掘算法中的一大热点研究课题。本文关于关联分析的主要研究内容如下所示:通过对经典的数据挖掘算法地研究,得出经典的数据挖掘算法普遍都存在效率低、内存损耗大等问题。为此,提出了结合遗传算法的Apriori的改进算法(GNA),这是一种基于新的遗传算法来寻找频繁项集的算法。简单易于实现是Apriori算法的长处,但其候选项集的拼接及生成过程过于复杂,而且Apriori算法对候选项集挖掘一次就要扫描一次数据库,这些缺陷是造成Apriori算法效率低、内存损耗大的主要原因。通过结合遗传算法来优化搜索空间,并采用Apriori的剪枝策略,研究了一种用加约束的交叉、变异算子来简化Apriori算法的候选项集的拼接及生成过程的新算法。传统的数据挖掘算法都是在独立模式下进行挖掘的,其挖掘效率已不适合进行大数据挖掘。因此,将改进Apriori算法与Hadoop进行结合,提出一种基于MapReduce的大数据关联模式并行化挖掘算法(Mr_GNA)。Mr_GNA算法将GNA算法与Hadoop的MapReduce并行化运算框架相结合,实现算法的并行化计算。为了确保Mr_GNA算法能在Hadoop集群下,高效的进行挖掘,采用了合理的负载均衡策略。用库尔钦斯基系数和支持度不平衡比率IR来对频繁模式进行评估。实验结果表明,结合遗传算法的Apriori改进算法相比于Apriori和NSFI算法,在时间复杂度、内存损耗以及挖掘效率上都更具优势。改进的大数据挖掘算法在集群模式下效率更高,并且优于MRApriori和PFP-Growth等并行化大数据挖掘的算法,证明了Mr_GNA算法能有效的挖掘频繁模式,能满足大数据挖掘的需求。