下面事务数据库中有5个事务，设min_sup=0.6，min_conf=0.8，用Apriori算法找出其中的强关联规则。

在Apriori算法中，用于发现频繁项集并进一步生成关联规则的流程通常包括以下步骤：

1. **数据预处理**：首先，对输入的数据集（例如事务数据库）进行编码，将每个交易（Transaction）视为一个项集（Itemset）。假设我们有以下事务（记星号(*)表示该商品存在）：

   T1: {milk, bread}
   T2: {bread, diaper}
   T3: {milk, diaper, beer}
   T4: {bread, diaper}
   T5: {milk, beer}

2. **频繁项集挖掘**：
- 第一阶段（Level 1）：找到所有单个商品的支持度（支持度是指项集在所有事务中出现的次数除以总交易数），如果某个商品的支持度大于min_supp（这里是0.6），则它是一个频繁项。
- 对于给定的min_supp，从T1到T5检查，牛奶、面包、尿布和啤酒都是频繁项。

3. **生成候选集**：
- 第二阶段（Level 2）：基于频繁1-itemset（如{milk}, {bread}, 等）寻找所有长度为2的潜在项集，并计算它们的支持度。如果某两个商品同时出现的次数大于min_supp（0.6），那么就成为候选2-itemset。

4. **剪枝和确认频繁集**：
- 根据Apriori原则（即如果X->Y，则必然有X中的所有元素都单独支持Y），去掉不满足min_conf（这里是0.8）条件的候选集。

5. **生成关联规则**：
- 使用已知的频繁2-itemset（如{milk, bread}），通过min_conf过滤，找出像“若购买了牛奶，则很可能也会买面包”这样的规则，如果其置信度高于0.8。

由于具体的计算过程需要遍历大量组合，这里只是一个简化的概述。实际应用中，会用更高效的算法，比如FP-Growth等，来进行搜索和剪枝。