Apriori算法是第壹個關聯規則挖掘算法，也是最經典的算法。它利用逐層搜索的叠代方法找出數據庫中項集的關系，以形成規則，其過程由連接（類矩陣運算）與剪枝（去掉那些沒必要的中間結果）組成。
該算法的基本思想是：首先找出所有的頻集，這些項集出現的頻繁性至少和預定義的最小支持度壹樣。然後由頻集產生強關聯規則，這些規則必須滿足最小支持度和最小可信度。
然後使用第1步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每壹條規則的右部只有壹項，這裏采用的是中規則的定義。壹旦這些規則被生成，那麽只有那些大於用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用了遞歸的方法。
（1） L1 = find_frequent_1-itemsets(D);
（2） for (k=2;Lk-1 ≠Φ ;k++) {
（3） Ck = apriori_gen(Lk-1 ,min_sup);
（4） for each transaction t ∈?D?{//scan D for counts
（5） Ct = subset(Ck,t);//get the subsets of t that are candidates
（6） for each candidate c ∈ Ct
（7） c.count++;
（8）?}
（9） Lk ={c ∈ Ck|c.count≥min_sup}
（10）?}
（11） return L= ∪ k Lk;
可能產生大量的候選集,以及可能需要重復掃描數據庫，是Apriori算法的兩大缺點。