現(xiàn)有的關聯(lián)規(guī)則推薦技術在數(shù)據(jù)提取時主要側重于關聯(lián)規(guī)則的提取效率，缺乏對冷、熱門數(shù)據(jù)推薦平衡性的考慮和有效處理。為了提高個性化推薦效率和推薦質(zhì)量，平衡冷門與熱門數(shù)據(jù)推薦權重，對關聯(lián)規(guī)則的Apriori算法頻繁項集挖掘問題進行了重新評估和分析，定義了新的測評指標推薦非空率以及七前項頻繁項集關聯(lián)規(guī)則的概念，設計了基于K前項頻繁項集的剪枝方法，提出了優(yōu)化Apriori算法且適合不同測評標準值的七前項頻繁項集挖掘算法，降低頻繁項集提取的時問復雜度。理論分析比較與實驗表明，七前項剪枝方法提高了頻繁項集的提取效率，擁有較高的推薦非空率、調(diào)和平均值和推薦準確率，有效地平衡了冷、熱門數(shù)據(jù)的推薦權重。