随着大数据时代的到来,如何迅速地从庞大的数据库中找到目标信息是目前科研工作者迫切需要解决的问题。关联规则挖掘算法是解决这类学术研究问题的有效方法之一。关联规则挖掘主要在数据的维数、数据的抽象层次和处理变量的类型三个方面进行研究。在规则方面主要以正关联规则、负关联规则和稀有关联规则三个方面进行研究。目前关联规则挖掘方法存在两个局限性:(1)支持度、置信度和提升度等度量方法在取值方面过度依赖专家知识或复杂的调整过程;(2)通常难以解释稀有关联规则。本文在已有研究基础上,针对以上存在的不足,提出一种关联规则的马尔科夫逻辑网络框架模型,主要贡献如下:(1)将正关联规则、负关联规则和稀有规则挖掘算法融合在一个统一的框架模型中。马尔科夫逻辑网络模型无需设定这些度量方法,就能够挖掘出事务数据库中频繁出现的二进制变量集合。(2)使用随机梯度下降法对关联规则的马尔科夫逻辑网络模型中的参数进行学习。马尔科夫逻辑网络模型得到的规则能够很好地说明正关联规则、负关联规则和稀有关联规则。本文利用两个大小不同的数据集对关联规则的马尔科夫逻辑网络框架模型算法和传统关联规则算法进行规则预测准确率实验。结果表明与传统的关联规则算法相比,关联规则的马尔科夫逻辑网络框架模型得到的规则具有更高的预测准确能力。