分类和关联规则挖掘是数据挖掘领域的两个重要研究方向,二者都已经取得了比较完善的研究成果。关联分类作为一个较新的数据挖掘课题使用关联规则挖掘构建分类系统。关联分类算法使用规则发现方法从分类数据集中抽取分类规则,并通过一定的剪枝手段对规则进行剪枝,然后按照一定的规则形成分类器。由于挖掘出了数据属性和类标签之间的强关联,关联分类器往往可以达到很高的分类精确度。然而,在规则产生阶段,关联分类算法会产生大量的规则,在对规则的处理过程中,算法会需要极大的系统开销。因此,小规模的规则集以及有效的规则剪枝方法对于关联分类算法十分必要。本文提出的基于ECLAT的关联分类算法结合了压缩规则集的性质和ECLAT方法自身的特点,在挖掘类关联规则的同时引入剪枝策略,在产生规则的过程中对新产生的规则项进行置信度检测,及时删除冗余的规则和等价类,然后再对产生的规则集进行覆盖剪枝。实验表明,这种方式可以在极大地压缩初始规则集的规则数量,极大地缩短了算法运行时间并且降低了系统开销。在关联规则挖掘和关联分类算法中,兴趣度被引入用来提取规则以降低规则的数量。本文对目前比较常见的兴趣度进行了总结,并通过实验比较了不同兴趣度对于不同数据集的分类效果。实验结果表明兴趣度可减少规则的数量但没有一个兴趣度对于所有数据集都能够达到最优的分类效果。最后,本文将关联分类应用于电子商务推荐系统中。在P2P站点北洋园PT中,推荐算法使用关联分类技术,从用户的下载记录中学习分类模型,构建关联分类器,并将生成的关联分类器用于对新用户的分类中。推荐算法依据用户的分类向用户推荐与该类型相匹配的资源。关联分类在推荐系统中的应用体现了数据挖掘技术的实际意义。