1.该问题最初是对“购物篮”提出来的，著名例子是“尿布与啤酒”。
2.相关概念：
关联规则的支持度：Support(A,B)=包含A和B的事务数/事务总数
关联规则的置信度：Confidence(A,B)= 包含A和B的事务数/包含A事务数
频繁项集：项集的频率大于等于最小支持度。
强相关规则：同时满足最小支持度和最小置信度。
3.关联规则挖掘的步骤：
生成频繁项集，然后生成规则
4.Apriori算法：
思路：第一步先扫描数据库一遍，通过计算每一个1项集的支持度，得到L1(Lk为k频繁集)；第二步是反复迭代的方法找到L2，L3...直到不能再找到新的频繁项集时停止迭代。在搜索Lk时，是用Lk-1自连接方法产生候选集Ck,先用一定的剪枝略裁剪候选项；再扫面数据库，计算Ck的支持度，删除非频繁项集，便得到Lk.
定理1：频繁项集的所有非空子集都是频繁项集。
定理2：非频繁项集的超集一定是非频繁项集。
5.实例：对于表1-1的交易记录，设定sup=3/10,利用Apriori产生频繁项集.
表1-1
（1）由I={bread,beer,cake,cream,milk,tea}的所有项目产生候选项C1，去掉小于sup的项集。得到表1-2.
表1-2
（2）利用L1中各项组合连接，产生候选项C2，然后扫描记录，得到支持度，然后去掉小于sup的项集，得到L2. 如表1-3所示。
表1-3
（3）利用L2中的各项组合连接产生候选项C3，扫描记录，获得支持度，去掉小于sup的项集，得到L3，如表1-4所示。
表1-4
（4）重复上述步骤，C4为空，所有频繁项集被找到，算法停止。
6.Apriori算法的优点：空间复杂度小，并有两个先验性质。
Apriori算法的缺点：需要扫描数据库的次数太多，产生的候选项集Ck很多。
7.FP-growth算法：
其是对Apriori算法的改进，是基于FP-tree的频繁模式增长算法，其不生成候选项集。
思想：分而治之。在两次扫描数据库后，把数据库压缩到一棵频繁模式树（FP-tree）,再将频繁模式树分成一些条件FP树，每一个条件FP树和一个频繁项集相关联，最后，对所有的条件FP树进行挖掘。
步骤：
（1）构造FP树，FP树是事务数据库的压缩表示，每个事务都映射到FP树中的一条路径。
针对上例，利用FP-tree思想，先构造表头和FP-tree，如下图：
（2）利用FP树产生频繁项集;
FP增长算法以自底向上的方式搜索FP树，从表项（cream:3）出发，可以找到包含cream的路径<milk:8,bread:5,tea:3,cream:2>和<milk:8,bread:5,cream:1>,根据cream的计数，将上述路径化简为关于cream的如下信息：<milk,bread,tea:2>,<milk,bread:1>,然后建立关于cream的FP-tree ,如下图：
包含项目cream的所有频繁项集
根据上述方法一次建立关于tea，bread，milk的FP-tree.得到所有的频繁项集。
FP-growth算法的优点：
只遍历数据库2遍，挖掘时间会比Apriori短。
FP-growth算法的缺点：
建立FP-tree,会占用大量的内存空间，当生成和释放海量的条件树时，将占用很多的运算时间和计算机空间。
