随着大数据、云计算、人工智能的蓬勃发展,各行各业积累了大量数据,对海量数据的争夺和分析处理已经成为国家之间竞争的重要方面。在数据挖掘中,主要研究内容有关联、分类、聚类等挖掘算法,其中关联规则挖掘可以高效挖掘出数据中隐含的有价值的、人们感兴趣的知识与规则,在实际数据处理中得到了广泛的应用,是目前的研究热点。本文对单机模式和分布式集群环境下的关联规则挖掘算法进行研究,主要内容包括:针对单机模式下效率较高的PrePost算法存在内存占用大、缺乏高效的连接和剪枝策略以及建树复杂等问题,提出了一种基于B-list的改进PrePost算法。改进PrePost算法利用B-list代表数据库中的项集,使用集合枚举树表示候选频繁项集的搜索空间并采用子集非频繁策略进行剪枝,研究了一种线性复杂度连接两个项集B-list的快速算法来计算项集的支持度。实验结果表明,在单机模式下改进PrePost算法具有更高的时间和空间效率,能够有效挖掘出隐藏在数据中的频繁模式。针对分布式集群环境下传统挖掘算法在挖掘大规模数据时存在时间效率过低和内存溢出等问题,将改进PrePost算法与Hadoop进行结合,提出一种基于Hadoop平台的大数据关联规则挖掘算法H_PrePost。H_PrePost利用MapReduce编程模型进行并行计算,使用一种负载均衡策略保证集群高效运行。由于大数据中存在大量频繁项集,使用kulczynski度量和不平衡比对所挖掘的频繁模式进行评估,以确保所挖掘模式具有实际应用价值。实验结果表明,H_PrePost算法可以有效挖掘大数据集中的频繁模式,能够满足分布式集群环境下对大数据进行关联规则挖掘的需要。