基于改进Apriori算法的高校课程预警规则库构建

在如何构建完善的课程预警规则库是高校成绩预警研究中的一个重点问题, 本文对高校学生成绩进行清洗、离散化后, 利用Apriori算法挖掘不及格课程之间的相关关联, 构建基础预警规则库, 在此基础上进一步挖掘"及格", "良好"等级课程对其他课程的影响, 从而进一步扩充预警规则库. 针对大量冗余规则的情况, 在传统的支持度-置信度框架下利用提升度、兴趣度等方法筛选出强关联规则, 提高规则库的准确度, 并对挖掘出的规则进行了针对性的分析, 研究方法和结论可为教学管理提供决策支持.     

基于聚类和关联算法的学生成绩挖掘与分析

针对某高校信息工程学院学生的学习状况和培养方案的改进需求,以2008-2014级信息工程学院本科生课程成绩为研究对象,提出一种基于改进K-means和引入兴趣度的Apriori的学生课程成绩分析方法。采用改进的K-means算法对成绩信息进行离散化处理,采用引入兴趣度的Apriori算法进行挖掘并根据得到的课程之间的关联规则绘制课程关系网络图,对课程间的关联关系、衔接关系以及课程的重要程度进行分析。应用所述方法进行挖掘能够减少大量没有意义的规则,提高了挖掘结果的准确性,挖掘所得到的结果不仅能够为教学方案的设计和改进提供一定的参考信息,还有助于提高学校的教学质量和学生的学习质量。     

关联规则挖掘兴趣度模型研究

通过查阅相关文献资料,收集整理了基于概率兴趣度模型、差异思想兴趣度模型、相关性兴趣度模型、信息量兴趣度模型、影响兴趣度模型的计算公式,并利用Visual FoxPro编程语言实现这些兴趣度模型的关联规则挖掘算法。通过实验分析了各种兴趣度模型的取值与规则显示间的关系,并简要分析总结了各种兴趣度模型的基本特点。     

关联规则在课程相关性模式中的研究与应用

学分制已成为高等学校教学管理制度发展趋势.在学分制体系下,如何进行教学管理和学生培养成为高校建设的主要问题.本文将Apriori算法应用于高校教务管理信息系统,对学生成绩数据进行分析,探讨了高等学校专业课程间相关性问题,得到了一些合理、可靠的课程关联规则.解释和验证了关联规则结果,针对产生的大量规则引入兴趣度分析,别除了用户不感兴趣的关联规则,从而为学分制体系下的学生选课提供指导.     

关联规则在课程相关性分析中的应用

该文论证了采用关联规则算法进行数据挖掘,以发现课程之间相关性的可行性。提出了基于支持--置信--兴趣度的关联规则挖掘算法,通过引入感兴趣度,对挖掘结果进行进一步的相关分析。     

基于兴趣度-相关性规则挖掘的研究及在推荐选课系统的应用

通过分析和比较现有的关联规则挖掘算法,针对本研究的问题,采用一种改进的基于兴趣度的增量挖掘算法,该算法既适用于动态数据库的更新挖掘,又适用于最小支持度和最小置信度变化的更新挖掘.然后将其运用于推荐选课系统中,通过对学生已有成绩数据库信息和己选课信息进行深层次的数据挖掘,获取合理、可靠的课程结构关联规则.本系统既考虑课程之间关联规则的相关性,又考虑学生的学习能力和学习兴趣,为选课推荐服务提供更好的支持.     

基于统计相关性的兴趣关联规则的挖掘

本文首先对关联规则的支持—置信框架存在的不足进行了分析,然后引入了规则的兴趣度概念,利用兴趣度来约束冗余关联规则的产生,以提高挖掘知识的有用性,并给出了算法描述。     

基于兴趣度的关联规则分析在高职专业课程设置中的应用

以某高职院校电气自动化专业主干课程为研究对象,运用基于兴趣度的关联规则数据挖掘方法,从学生课程成绩入手,挖掘课程之间的关联信息,为优化人才培养方案和提高教学质量提供参考。     

基于多维关联规则兴趣度的问卷调查规则提取

基于能同时处理多个属性间关联关系的多维关联规则算法,对大学生社交网络行为习惯的调查问卷进行研究分析,发现依靠支持度和置信度的关联规则算法有时会产生误导性的结果。针对关联规则存在的这一问题,给出了带有负向的关联规则兴趣度的解决办法,并发现兴趣度规则中减少关联规则计算量的性质,可极大提高了多维关联规则兴趣度算法在规则提取中的效率。实验结果表明,负向的关联规则置信度强于正向的关联规则置信度,引入兴趣度的多维关联规则算法的准确度更高。     

高校课程相关性粗糙集分析模型及应用

将目前在数据挖掘领域应用广泛的粗糙集理论引入高校课程相关性分析中,提出了基于粗糙集的高校课程相关性分析模型。该模型首先运用粗糙集的相关性质对参与分析的决策数据进行属性约简,从而获得了较小决策数据集,然后应用基于分辨矩阵的关联规则提取算法提取关联规则,最后对规则进行评估与解释。通过对某高校某专业学生修读课程考试成绩数据进行实际应用分析,发现了课程成绩数据中隐藏的课程相关性规则,分析结果表明该模型在学分制体系下指导学生选课以及制定专业修读计划具有一定的辅助作用。     

关联规则的冗余删除与聚类

关联规则挖掘常常会产生大量的规则，这使得用户分析和利用这些规则变得十分困难，尤其是数据库中属性高度相关时，问题更为突出．为了帮助用户做探索式分析，可以采用各种技术来有效地减少规则数量，如约束性关联规则挖掘、对规则进行聚类或泛化等技术．本文提出一种关联规则冗余删除算法ADRR和一种关联规则聚类算法ACAR．根据集合具有的性质，证明在挖掘到的关联规则中存在大量可以删除的冗余规则，从而提出了算法ADRR；算法ACAR采用一种新的用项目间的相关性来定义规则间距离的方法，结合DBSCAN算法的思想对关联规则进行聚类．最后将本文提出的算法加以实现，实验结果表明该算法暑有数可行的．且具较高的效率。     

关联规则在学生成绩管理系统中的应用

关联规则是数据挖掘的重要的组成部分之一。利用关联规则的Apriori算法,以学生成绩数据库为研究对象,挖掘课程之间的良好关系,为教学管理部门设置安排课程提供理论指导。     

无冗余关联规则在财政收支分析中的应用

关联规则反映了大量数据中项目集之间的相关联系,通过关联规则的提取可以对大量的数据进行分析.运用无冗余关联规则的性质对财政收支体系中的重要参数指标进行数据处理和关联规则的挖掘,从而得到最有价值的信息,利用到决策中,具有非常重要的现实意义.     

一种有效的关联规则增量式更新算法

关联规则是数据挖掘中的一个重要研究内容。目前已经提出了许多用于高效地发现大规模数据库中的关联规则的算法,而对已发现规则的更新及维护问题的研究却较少。文章提出了基于频繁模式树的关联规则增量式更新算法,以处理事务数据库中增加了新的事务数据集后相应关联规则的更新问题,并对其性能进行了分析。     

一种实用的关联规则增量式更新算法

关联规则是数据挖掘中的一个重要研究内容。目前已经提出了许多用于高效地发现大规模数据库中的关联规则的算法,而对已发现规则的更新及维护问题的研究却较少。该文提出了一种实用的关联规则增量式更新算法,以处理事务数据库中增加了新的事务数据集后相应的关联规则的更新问题,并对其性能进行了分析。     

基于人工免疫的多维关联规则挖掘及其应用研究

关联规则挖掘是一个重要的数据挖掘问题.目前,关于单维关联规则的成果已经比较成熟,但是对于多维关联规则问题因为存在显著的组合爆炸问题,至今尚未完美解决.提出了一种基于人工免疫的多维关联规则挖掘算法.算法充分利用了人工免疫的记忆特性,把挖掘的关联规则存入记忆库,加快了多维关联规则的挖掘速度.结果表明,该算法应用于煤与瓦斯突出预测中,具有较好的鲁棒性,能快速、有效地进行全局优化搜索,在多维关联规则的挖掘中具有可行性和高效性.     

教育信息化中课程考试成绩数据关联模式的发现

面对海量的教育信息化数据,如何发现和分析隐藏在这些数据中潜在的、有价值的知识和教育模式,更好地为教育教学决策提供科学依据,成了亟待解决的问题。本文提出一种新的课程成绩数据关联模式发现算法。该算法针对课程成绩数据的特点,给出课程数据模型,采用矩阵加权模式发现技术对课程成绩数据进行模式挖掘,发现课程成绩数据中隐藏的数据关联规则。通过模式分析得出课程教学中的教学规律和问题,为教学管理、教学改革与决策提供科学依据。实验表明,与现有关联模式发现算法比较,本文提出的算法更有效、合理。     

基于频繁模式树的关联规则增量式更新算法

研究了大型事务数据库中关联规则的增量式更新总是，提出了一种基于频繁模式树的关联规则增量式更新算法，以处理最小支持度或事务数据库发生变化后相应关联规则的更新问题，并对其性能进行了分析。     

关联规则挖掘技术在煤矿安全预警系统中的应用研究

针对煤矿安全预警数据多源异构的特点,文章提出了一种采用关联规则挖掘技术对煤矿安全预警系统参数进行数据挖掘的设计方案,给出了关联规则挖掘模型及其算法分析,详细介绍了关联规则算法中的Apriori算法在煤矿安全预警系统中的应用及实现。仿真结果表明,该方案性能良好,是煤矿安全综合评价的一种有效方法。