数据挖掘是帮助人们在海量数据中发现信息和知识的工具。近年来数据挖掘技术成了商业智能的核心技术,被广泛应用到了诸多领域,引起了学术界极大的关注,如何提高数据挖掘的效率成为学术界热门的研究课题。本文主要针对关联规则发现,在商业销售行为领域方面的应用研究。Apriori(先验的)算法是一种最有影响的挖掘布尔关联规则频繁项集的算法,但是Apriori算法也有其明显的缺陷,即需要多次重复扫描交易数据库、效率不高等。作者对现有的关联规则算法进行了分析,在经典的Apriori算法基础上,提出了并行Bi-Apriori算法,该过程使用一种特殊的数据结构,对于每个项集,记录包含项集中项的事务的TID,使得找出所有频繁k项集只需两次数据库扫描。实验证明这种新的并行算法能大大提高收敛速度,得到优于一般并行算法的加速比。此并行算法实现简单有效,能更好地应用于现实问题。本文选用通过商用网络连接起来的PC机,以及并行虚拟机PVM和Windows 2000 Server操作系统,共同构成了一个机群系统作为并行计算平台。在并行程序的模型上选用了Master/Slave模型。算法并行化方式采用了将训练数据平均分配到各节点机的数据并行方式。最后,本文从实用性的角度介绍了关联规则挖掘在商业分析领域方面的应用。并且详细的讨论了不同结点机数时,挖掘结果的纵向对比,验证了算法的正确性和准确性等。最后对挖掘结果的关联规则进行了商业分析,取得了令人满意的效果。证明了此算法在该医药公司销售数据集中具有局部实用性。