基于互信息的教育数据矩阵加权正负关联模式发现

本文将互信息模型引入教育数据关联模式挖掘,提出一种基于互信息的教育数据矩阵加权正负关联模式挖掘算法,给出与其相关的定理及其证明。本文算法克服了现有挖掘算法的缺陷,考虑了教育数据项集在学生信息数据库中具有的权值,采用新的正负关联模式评价标准,挖掘出更接近实际情况的正负关联模式。通过关联模式分析,发现教育数据中潜在有用的教育、教学规律和教育发展趋势,为教育管理、教育决策和教学改革提供科学的依据。以真实的教育数据作为实验数据测试集,实验结果表明,本文算法有效,在教育信息化数据处理与分析中具有重要的应用价值。     

改进的关联规则算法在学生成绩预警中的应用

针对现阶段高校教学数据库中积累的成绩数据量大,而教育者从中获取的信息少的现状。为此,结合关联规则算法挖掘频繁项目集的特点,利用改进的Apriori算法对学生成绩数据进行分析处理,找出数据中隐藏的课程关联规则,将这些规则用于学生成绩预警,及时找出可能出现不及格的课程,对部分学生给出警告,加强学习监督。实验结果表明,改进的Apriori算法的效率明显优于改进前,得出的关联规则可以作为学生成绩的预警因子。     

教育信息化数据中完全加权正负关联模式发现

对海量教育信息化数据关联模式的挖掘与分析,有利于发现教育信息化数据中事先不知道的、但又是潜在有用的教育模式和知识,为教育管理、教育决策和教学改革提供科学的依据。研究面向教育信息化数据的完全加权负关联模式挖掘技术,提出一种新的教育信息化数据完全加权正负关联模式挖掘算法。该算法考虑了项目在事务数据库中的权值,从教育数据中挖掘完全加权频繁项集和负项集,在支持度-置信度-相关性架构下从频繁项集和负项集挖掘有趣的教育数据完全加权正负关联模式。通过模式分析,发现教育领域潜在的教育、教学规律和教育发展趋势,提高教育信息化数据分析和处理水平。以真实的教育信息化数据作为实验数据测试集,实验结果表明,与现有的正负模式挖掘算法比较,所提出的算法更有效、更合理,其挖掘出的正负关联模式更加接近现实。     

关联规则在研究生成绩等级分析中的应用

数据挖掘中的关联规则挖掘能够发现大量数据中项集之间的联系。该文运用关联规则Apriori算法,对某高校研究生成绩等级样本进行数据分析,利用最小支持度和最小置信度,挖掘出频繁项集,从分析的结果中发现有价值的数据模式,寻找其中存在的规则,为高校加强研究生教育提供参考性建议。     

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。     

数据挖掘技术在学生成绩分析中的应用

数据挖掘是数据的深层次分析方法。将数据挖掘技术应用于学生成绩分析,可以发现学生成绩内在的特性和隐藏的状况。运用标准化数据预处理、数据聚类算法等一系列数据挖掘方法,对比传统的排序,提出了学生成绩分析的一些新思路,为发现问题、调整教学策略、有效提升成绩提供数据支撑。     

数据挖掘在高职院校学生综合信息中的应用

针对目前高职院校数据库中的数据没有得到有效利用的问题,本文提出对学生成绩、学生综合信息进行关联规则的挖掘。包括数据的准备与选择、数据的预处理、挖掘算法的选择与实现、挖掘结果等步骤。从这些海量数据中挖掘出有用的信息,帮助分析课程之间、选课和就业的相关性,得出一些具有价值的规则和信息,为学校培养社会所需要的人才提供科学依据。     

基于FP_growth算法的课程相关性的关联规则研究

文章探讨了高校专业课程间的相关性问题,通过对数据挖掘中的关联规则挖掘进行研究,将关联规则挖掘应用于高校教务管理数据库,针对学生的成绩数据进行预处理,并利用FP_growth算法较快地挖掘出隐藏在成绩数据之后课程关联性规则,从而得到了一些合理、可靠的课程相关性规则,为高校的专业课程设置和学生选课提供决策依据。     

决策树算法在高职院校成绩分析中的应用研究

高职院校的学生的成绩是一项重要的数据,它不仅是对学生学习情况的评价,也是对教师教学质量的检查。本文研究了使用决策树算法对学生的成绩进行挖掘分析,分析学生的毕业设计成绩与基础类课程、专业类课程以及专项实践类课程之间隐藏的内在联系,指导教师在今后的教学中加强学生实践操作能力的训练,进而提高教学质量。     

数据挖掘技术在学生成绩分析中的应用研究

数据挖掘作为一种数据处理技术,可以通过从大量数据中提取有效信息,从而为人们的决策提供指导。根据当前学生成绩分析中存在的不足,提出利用数据挖掘Apriori算法对其进行分析研究,通过对教务管理系统中大量的学生成绩进行分析,找出所开设课程之间的内在联系,为专业人才培养方案的制订提供参考,为教务管理人员教学工作更科学地安排提供依据。     

基于用户兴趣的FP-TREE算法的改进及应用

关联规则主要通过历史数据来找出某些隐性的规律,但是针对不同用户,不同的规则更为有效,因此如何找出比较有价值的规则引起了人们的广泛关注。提出一种基于用户兴趣模型的改进关联规则算法,该算法从用户分类的角度找到适合不同用户的不同规则。通过在学校教学评估中的应用,验证了算法的有效性。     

关联规则挖掘在高校教学评价中的应用

将数据挖掘中关联规则应用到高校教学评价中,寻找教学评价数据背后隐含的有价值的信息.利用改进的Apriori算法挖掘评教数据,从大量的评教数据中发现数据间的关联.通过实例分析,结果发现了评价等级与教师的学历、职称、教龄、科研能力之间的关联.分析并利用这些关联规则,既可以提高授课教师的教学水平,又可以为教学管理部门的提供决策参考,从而提高教育教学质量.     

Mining fuzzy specific rare itemsets for education data

Association rule mining is an important data analysis method for the discovery of associations within data. There have been many studies focused on finding fuzzy association rules from transaction databases. Unfortunately, in the real world, one may have available relatively infrequent data, as well as frequent data. From infrequent data, we can find a set of rare itemsets that will be useful for teachers to find out which students need extra help in learning. While the previous association rules discovery techniques are able to discover some rules based on frequency, this is insufficient to determine the importance of a rule composed of frequency-based data items. To remedy this problem, we develop a new algorithm based on the Apriori approach to mine fuzzy specific rare itemsets from quantitative data. Finally, fuzzy association rules can be generated from these fuzzy specific rare itemsets. The patterns are useful to discover learning problems. Experimental results show that the proposed approach is able to discover interesting and valuable patterns from the survey data.     

基于SVG的空间关联规则挖掘

随着网络技术的飞速发展,SVG成为矢量图形发布的新一代标准,越来越多的SVG文档涌现出来。SVG文档中隐藏着大量有趣的空间信息,因而如何从SVG文档中发现有趣的空间信息成为数据挖掘领域中值得研究的问题。讨论空间关联规则的挖掘,采用多维多层交叉关联规则挖掘技术,综合利用SVG文档中的空间信息和非空间信息进行挖掘,可以较好地从SVG文档中挖掘隐藏的空间关联规则。     

基于SVG的空间关联规则挖掘

随着网络技术的飞速发展，SVG成为矢量图形发布的新一代标准，越来越多的SVG文档涌现出来。SVG文档中隐藏着大量有趣的空间信息，因而如何从SVG文档中发现有趣的空间信息成为数据挖掘领域中值得研究的问题。讨论空间关联规则的挖掘，采用多维多层交叉关联规则挖掘技术，综合利用SVG文档中的空间信息和非空间信息进行挖掘，可以较好地从SVG文档中挖掘隐藏的空间关联规则。     

Characterizing network traffic by means of the NetMine framework

The NetMine framework allows the characterization of traffic data by means of data mining techniques. NetMine performs generalized association rule extraction to profile communications, detect anomalies, and identify recurrent patterns. Association rule extraction is a widely used exploratory technique to discover hidden correlations among data. However, it is usually driven by frequency constraints on the extracted correlations. Hence, it entails (i) generating a huge number of rules which are difficult to analyze, or (ii) pruning rare itemsets even if their hidden knowledge might be relevant. To overcome these issues NetMine exploits a novel algorithm to efficiently extract generalized association rules, which provide a high level abstraction of the network traffic and allows the discovery of unexpected and more interesting traffic rules. The proposed technique exploits (user provided) taxonomies to drive the pruning phase of the extraction process. Extracted correlations are automatically aggregated in more general association rules according to a frequency threshold. Eventually, extracted rules are classified into groups according to their semantic meaning, thus allowing a domain expert to focus on the most relevant patterns. Experiments performed on different network dumps showed the efficiency and effectiveness of the NetMine framework to characterize traffic data.     

基于隐马尔可夫模型的兴趣迁移模式发现

Web挖掘的一个重要研究方向是发现用户的迁移模式。一般来说,用户的迁移具有某种目的性。这种目的性表现为用户对某种概念的兴趣。文中提出基于隐马尔可夫模型的兴趣迁移模式发现方法,用于发现这种带有某种兴趣的用户迁移模式,这种模式实质上是一种特殊的关联规则。在这种方法中,作者首先根据用户的访问记录定义一个隐马尔可夫模型,然后提出一种新的增量发现算法Increase_R用于发现兴趣迁移模式,同时给出了证明以说明该算法可以发现所有的兴趣迁移模式。     

基于增量队列的在全置信度下的关联挖掘

关联挖掘是一种重要的数据分析方法, 提出了一种在全置信度下的增量队列关联挖掘算法模型, 在传统的FP-Growth及PF-Tree算法的关联挖掘中使用了全置信度规则, 算法的适应性得到提升, 由此提出FP4W-Growth算法并运用到对文本数据的关联计算以及对增量式的数据进行关联性挖掘的研究中, 通过实验验证了此算法及模型的可行性与优化性, 为在庞大的文本数据中发现隐藏着的先前未知的并潜在有用的新信息和新模式, 提供了科学的决策方法.