1.該問題最初是對“購物籃”提出來的，著名例子是“尿布與啤酒”。
2.相關概念：
 關聯規則的支援度：Support(A,B)=包含A和B的事務數/事務總數
 關聯規則的置信度：Confidence(A,B)= 包含A和B的事務數/包含A事務數
 頻繁項集：項集的頻率大於等於最小支援度。
 強相關規則：同時滿足最小支援度和最小置信度。
3.關聯規則挖掘的步驟：
 生成頻繁項集，然後生成規則
4.Apriori演算法：
 思路：第一步先掃描資料庫一遍，通過計算每一個1項集的支援度，得到L1(Lk為k頻繁集)；第二步是反覆迭代的方法找到L2，L3...直到不能再找到新的頻繁項集時停止迭代。在搜尋Lk時，是用Lk-1自連線方法產生候選集Ck,先用一定的剪枝略裁剪候選項；再掃面數據庫，計算Ck的支援度，刪除非頻繁項集，便得到Lk.
 定理1：頻繁項集的所有非空子集都是頻繁項集。
 定理2：非頻繁項集的超集一定是非頻繁項集。
5.例項：對於表1-1的交易記錄，設定sup=3/10,利用Apriori產生頻繁項集.
 表1-1
 

（1）由I={bread,beer,cake,cream,milk,tea}的所有專案產生候選項C1，去掉小於sup的項集。得到表1-2.
 表1-2
 
（2）利用L1中各項組合連線，產生候選項C2，然後掃描記錄，得到支援度，然後去掉小於sup的項集，得到L2. 如表1-3所示。
 表1-3
 
（3）利用L2中的各項組合連線產生候選項C3，掃描記錄，獲得支援度，去掉小於sup的項集，得到L3，如表1-4所示。
 表1-4
 
（4）重複上述步驟，C4為空，所有頻繁項集被找到，演算法停止。
6.Apriori演算法的優點：空間複雜度小，並有兩個先驗性質。
 Apriori演算法的缺點：需要掃描資料庫的次數太多，產生的候選項集Ck很多。

7.FP-growth演算法：
 其是對Apriori演算法的改進，是基於FP-tree的頻繁模式增長演算法，其不生成候選項集。
 思想：分而治之。在兩次掃描資料庫後，把資料庫壓縮到一棵頻繁模式樹（FP-tree）,再將頻繁模式樹分成一些條件FP樹，每一個條件FP樹和一個頻繁項集相關聯，最後，對所有的條件FP樹進行挖掘。
 步驟：
（1）構造FP樹，FP樹是事務資料庫的壓縮表示，每個事務都對映到FP樹中的一條路徑。
 針對上例，利用FP-tree思想，先構造表頭和FP-tree，如下圖：
 
（2）利用FP樹產生頻繁項集;
 FP增長演算法以自底向上的方式搜尋FP樹，從表項（cream:3）出發，可以找到包含cream的路徑<milk:8,bread:5,tea:3,cream:2>和<milk:8,bread:5,cream:1>,根據cream的計數，將上述路徑化簡為關於cream的如下資訊：<milk,bread,tea:2>,<milk,bread:1>,然後建立關於cream的FP-tree ,如下圖：
 

 包含專案cream的所有頻繁項集
 
根據上述方法一次建立關於tea，bread，milk的FP-tree.得到所有的頻繁項集。
 FP-growth演算法的優點：
 只遍歷資料庫2遍，挖掘時間會比Apriori短。
 FP-growth演算法的缺點：
 建立FP-tree,會佔用大量的記憶體空間，當生成和釋放海量的條件樹時，將佔用很多的運算時間和計算機空間。