随着时代的快速发展和数据库技术的日臻成熟，产生的数据量以几何倍数增长，我们迫切地希望从海量数据背后挖掘出某些规律或者有价值的东西，也就是信息，来指导我们未来的发展。而数据挖掘正满足了这样的需要，它是一种新的信息分析技术，利用计算机[2]从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们预先不知道的、具有潜在利用价值信息和知识的过程。
　　 目前，数据挖掘主要分为关联规则挖掘、聚类、分类、时序模式发现等几大分支。而关联规则挖掘作为其中最为重要的一个分支，在应用方面得到了广泛的发展。关联规则挖掘是通过分析数据库，进而发现数据库中大量项集之间的关联关系。它最早由Agrawal提出，并在AIS算法基础上进行了完善而后提出了Apriori算法，Apriori算法是最经典的关联规则挖掘算法。它利用逐层搜索的迭代方法，从数据库中挖掘出满足最小支持度和置信度阈值的关联规则。Apfiofi算法分为连接和剪枝两步。但Apriofi算法有其固有缺陷：1、各阶段产生的Ck过大，尤其是当k=2时，候选集数目惊人。2、每生成一个候选集，都会扫描一遍数据库，造成了巨大的I/O开销，也增加了算法的时间复杂度。
　　 本文针对上述问题提出了一种改进的关联规则挖掘算法，主要思路为：
　　 1、采用矩阵这种数据结构，扫描一遍数据库，将原始事务数据库转化为0-1矩阵，不仅节省了存储空间，而且在进行数据挖掘操作时可抛弃原始数据库，只利用矩阵，减少了扫描数据库造成的I/O开销。
　　 2、利用原始矩阵和其转置矩阵，进行矩阵运算，得到2-候选集集合，矩阵运算简单，加快了项集的查找速度。
　　 3、根据结果上三角矩阵分析数据，减少了候选数据项的数量，更快的确定频繁项集，快速得到所需的关联规则。
　　 通过实验对比分析，该算法具有较低的时间复杂度和较高的运行效率。正因如此，加上矩阵占有极小的内存空间，将该算法应用到超市零售业的大数据集关联规则挖掘中，找出销售物品间的关联规则，为超市在今后制定销售策略提供了科学决策依据，因此该算法具有极大的实用性和适用性。