Apriori算法的一個主要瓶頸在於，為了獲得較長的頻繁模式，需要生成大量的候選短頻繁模式。FP-Growth算法是針對這個瓶頸提出來的全新的一種算法模式。目前，在數據挖掘領域，Apriori和FP-Growth算法的引用次數均位列三甲。
FP的全稱是Frequent Pattern，在算法中使用了一種稱為頻繁模式樹（Frequent Pattern Tree）的數據結構。FP-tree是一種特殊的前綴樹，由頻繁項頭表和項前綴樹構成。所謂前綴樹，是一種存儲候選項集的數據結構，樹的分支用項名標識，樹的節點存儲后綴項，路徑表示項集。
一、FP-tree的生成方法
第二步根據支持度對頻繁項進行排序是本算法的關鍵。第一點，通過將支持度高的項排在前面，使得生成的FP-tree中，出現頻繁的項更可能被共享，從而有效地節省算法運行所需要的空間。第二點，通過這種排序，可以對FP-tree所包含的頻繁模式進行互斥的空間拆分，得到相互獨立的子集，而這些子集又組成了完整的信息。
二、FP-tree子集分割方法
如上圖，求p為前綴的投影數據庫：根據頭表的指針找到FP-tree的兩個p節點，搜索出從這兩個節點到樹的根節點路徑節點信息（包含支持度）。然后累加路徑節點信息的支持度，刪除非頻繁項。對剩下的頻繁項按照上一節的方法構建FP-tree。過程如下圖所示：
三、FP-Growth算法流程
基本思路是：不斷地迭代FP-tree的構造和投影過程。
對於每個頻繁項，構造它的條件投影數據庫和投影FP-tree。對每個新構建的FP-tree重復這個過程，直到構造的新FP-tree為空，或者只包含一條路徑。當構造的FP-tree為空時，其前綴即為頻繁模式；當只包含一條路徑時，通過枚舉所有可能組合並與此樹的前綴連接即可得到頻繁模式。
---------------------------------------------------------------------------------------------------
要點：
FP Growth是一種比Apriori更高效的頻繁項挖掘方法，它只需要掃描項目表2次。其中第1次掃描獲得當個項目的頻率，去掉不符合支持度要求的項，並對剩下的項排序。第2遍掃描是建立一顆FP-Tree(frequent-patten tree)。
接下來的工作就是在FP-Tree上進行挖掘。
比如說有下表：
它所對應的FP_Tree如下：
然后從頻率最小的單項P開始，找出P的條件模式基，用構造FP_Tree同樣的方法來構造P的條件模式基的FP_Tree，在這棵樹上找出包含P的頻繁項集。
依次從m,b,a,c,f的條件模式基上挖掘頻繁項集，有些項需要遞歸的去挖掘，比較麻煩，比如m節點，具體的過程可以參考博客： FrequentPattern 挖掘之二(FP Growth算法)，里面講得很詳細。