Подскажите, пожалуйста, структуру данных для реализации алгоритма apriori. 
Что использовать для транзацкий, что для наборов элементов, а что для множеств наборов элементов?

согласен мало кто полезет смотреть что из себя представляет алгоритм, просто подумалось, а вдруг кто-нибудь уже реализовывал. В интернете есть и работающие коды и не совсем, но те работающие, что я находил либо без комментариев и сложные да еще и на других языках со своими структурами данных, либо слишком много лишнего.
Попытаюсь дать представление об алгоритме. Постановка задачи.
Есть база транзакций D, каждая транзакция T - это набор элементов. Задача найти часто встречающиеся наборы элементов  в базе транзакций. Например:
a, b, d
a, b, c, e
f, a
c, d
d, e, a, b 
если задать уровень поддержки = 2, то данному уровню будут удовлетворять наборы:
a, b  встречается 3 раза
a, d - 2
a, e - 2
b, e - 2
a, b, d - 2
одноэлементные наборы нам не нужны
Кроме того необходимо найти ассоциативные правила:
a => b  с достоверностью 75%    (из a следует b с достоверностью = число транзакций содержащих b / число транзакций содержащих a * 100%)
a => {b, d} с достоверностью 50%
и т.д.

Псевдокод алгоритма:
F1 = {часто встречающиеся 1-элементные наборы} 
для (k=2; Fk-1 <> ; k++) { 
      Ck = Apriorigen(Fk-1) // генерация кандидатов 
      для всех транзакций t T { 
           Ct = subset(Ck, t) // удаление избыточных правил 
           для всех кандидатов c Ct 
           c.count ++ 
      } 
Fk = { c Ck | c.count >= minsupport} // отбор кандидатов 
Результат U Fk

Опишем функцию генерации кандидатов. На это раз нет никакой необходимости вновь обращаться к базе данных. Для того, чтобы получить k-элементные наборы, воспользуемся (k-1)-элементными наборами, которые были определены на предыдущем шаге и являются часто встречающимися.
Вспомним, что наш исходный набор хранится в упорядоченном виде. Генерация кандидатов также будет состоять из двух шагов.

1.    Объединение. Каждый кандидат Ck будет формироваться путем расширения часто встречающегося набора размера (k-1) добавлением элемента из другого (k-1)- элементного набора. Приведем алгоритм этой функции Apriorigen в виде небольшого SQL-подобного запроса:

INSERT  into Ck
SELECT p.item1, p.item2, …, p.itemk-1, q.itemk-1 
FROM Fk-1 p, Fk-1 q 
WHERE  p.item1= q.item1, p.item2 = q.item2, … , p.itemk-2 = q.itemk-2, p.itemk-1 < q.itemk-1

2.    Удаление избыточных правил. На основании свойства анти-монотонности, следует удалить все наборы c Ck если хотя бы одно из его (k-1) подмножеств не является часто встречающимся.