随着大数据时代的到来,半结构化数据比如图形数据、树形数据、序列数据等广泛地应用在语义网络、社会关联分析、大分子信息挖掘等领域。如何挖掘其中的关联信息是半结构化数据挖掘的关键。但是,半结构化数据结构复杂、存储困难等特点使得使用传统算法对其进行挖掘的难度较大。与此同时,越来越多的数据流出现在人们的视野中,例如来自社交网络、金融管理、信息监控等实时系统的数据流在在日常生活中起到越来越重要的作用。这些数据流不仅具有数据量巨大、数据流流速快等特点,而且人们往往更关注的是当前时刻的数据流,实时性要求比较高。如何从这些海量且复杂的流数据中,实时且高效地获得人们关注的数据,是大数据技术发展需要解决的问题。随着大数据技术的发展,应用需求越来越复杂,半结构化数据流处理需求不断增长。但是,现有的半结构化数据挖掘方法无法满足流数据处理的要求。针对这个问题,本文改造了现有的半结构化数据挖掘方法,提出一种基于时间衰减模型和批量更新模式的挖掘算法,能够进行半结构化数据流的频繁模式挖掘。该算法通过时间衰减模型增加新数据的权重、降低历史数据的权重来降低挖掘过程中过期数据的影响,获得实时的挖掘结果;通过批量更新模式对已挖掘数据的有用信息进行保留来避免了传统数据流挖掘算法中对数据库进行反复扫描、多遍处理的问题,有效防止资源的浪费。通过对比实验表明,该算法实现了半结构化数据流挖掘功能,能够高效地处理复杂且高速到达的海量半结构化数据流,能够降低历史数据的影响实时地获得数据流中频繁模式数据,可以满足当下半结构化数据流挖掘的需求。