关联规则挖掘技术是数据挖掘的重要方法之一,它的主要意义在于能够从数据中找出不同项目之间潜在的、有价值的关联关系。根据项目出现的频次,数据中的项可分为频繁项和稀有项。其中,频繁项集的挖掘是目前人们关注的重点。但是,它在挖掘的过程中会过滤掉稀有项,而研究稀有关联规则能发现很多未知的、有价值的现实规律。并且,把这些规律应用在一些领域能带来很大的经济效益和社会效益。因此,如何能够快速有效地从数据中挖掘稀有关联规则,以提供给决策者更加科学的依据制定计划是数据挖掘领域的一个重要课题。大数据时代的到来,数据正以惊人的速度增长,如何从大规模数据中快速有效地挖掘稀有项集是一个关键问题。本文基于分布式计算框架Spark,根据稀有项集挖掘算法的特点,实现了稀有项集挖掘算法的并行化,从而使得算法能够快速高效的处理大数据问题。本文的主要研究工作有:(1)本文首先对DEclat算法进行阈值和筛选条件的重新设置,使得改进后的DEclat’算法适合稀有项集的挖掘。但是,DEclat’算法在挖掘稀有项集时,大量的求交操作导致了算法执行效率不高,针对这个问题本文基于散列布尔矩阵的思想提出了REclat算法。该算法减少了每一次求交集使用的时间,即减少了候选项集支持度计数使用的时间。通过理论分析和对比实验均表明,本文提出的REclat算法在不同事务量、不同属性量的数据集中,挖掘稀有项集时都具有良好的执行效率。(2)为了实现REclat算法在大数据环境下有效的进行稀有项集的挖掘,本文根据REclat算法的特点提出了在Spark框架下实现并行化的SP-REclat算法。首先,将相同前缀的项集进行等价类的划分,使得同一等价类划分在相同的计算节点。然后,相同节点的k-项等价类可以直接进行连接,生成(k+1)-项稀有项集。最后,对各节点生成的(k+1)-项稀有项集再次划分等价类。迭代的调用SP-REclat算法挖掘稀有项集,直到没有更多的稀有项集产生。以此实现了在Spark框架下REclat算法的并行化。最后,实验证明SP-REclat算法是可行有效的,且具有很好加速比和良好的可扩展性。