针对传统　Apriori　算法在标签等级排序中辨识度不高的问题，提出一种基于最小化描述准则（MDLP）　Apriori　算法的离散　Shannon　熵值算法。通过在　Shannon　熵值公式中增加额外参数，并结合自适应　MDLP　算法，增加　Apriori　算法对等级排序中分割点的识别能力，从而更加细致地观察标签细微差异；然后，利用改进算法分别在合成数据集和　KEBI　测试数据集上的仿真实验显示，MDLP-Apriori　算法在　Kendall　系数精度与偏差、分区数量等指标上均要优于对比算法。最后，通过实验给出最小支持度选取标准。