基于数据挖掘的学生选课及学习行为分析算法研究.docVIP

基于数据挖掘的学生选课及学习行为分析算法研究 　　摘 要： 依据教育数据挖掘技术，通过关联规则挖掘中的确定因素法和序列模式挖掘，分别对学生课程选择的最小关联规则和学生的临时兴趣学习模式进行挖掘，以此进行学生的行为分析。首先，通过最小关联规则挖掘中的确定因素（DF）法，从课程数据库中挖掘学生课程选择的最小关联规则。其次，通过临时兴趣序列模式（TIPS）技术，在学习活动序列中发现短期的学习行为模式。最后，通过数据实验验证该算法具有实际意义。 　　关键词： 数据挖掘； 关联规则； 确定因素法； 序列模式 　　中图分类号： TN911?34； TM417 文献标识码： A 文章编号： 1004?373X（2016）13?0145?04 　　Abstract： According to the educational data mining （EDM） technology， the minimum association rule of students course selection and student temporary interest learning pattern are mined respectively by means of definite factor method and sequence pattern mining in association rules mining to analyze the student behavior. The definite factors （DF） method in minimum association rule mining is used to mine the minimum association rules of students course selection in the courses database. And then， the temporary interest sequence pattern （TIPS） technique is used to find out the short?term learning behavior pattern in learning activity sequences. The experimental verification results show this algorithm has a practical significance. 　　Keywords： data mining； association rule； definite factor method； sequence pattern 　　近些年，围绕着大数据可被用于造福教育与学习科学这一共同利益，两个方面的技术逐渐得到了发展，这两个方面就是教育数据挖掘（EDM） 以及学习分析[1]。随着教育数据挖掘的快速发展，数据挖掘中的各项技术，诸如关联规则挖掘，序列模式挖掘等技术都相继得到了应用，这也进一步促进了教育数据挖掘技术的发展。同时，通过教育数据挖掘对教育数据进行的数据挖掘而得到的潜在信息或是关联规则也得到了更多的应用，通过这些潜在信息和关联规则，管理者可以更好地制定管理策略和教学策略，这对提高学校的管理和教学有着非常重要的意义[2]。 　　1 学生课程选择的最小关联规则的挖掘 　　学生的课程选择是大学生日常学习生活中必须接触到的，并且会直接影响到学生在校学习，所以课程选择显然是一种重要的学生行为[3]。因此，采用确定因素法，从课程数据库中挖掘学生课程可以采用最小关联规则挖掘技术。 　　1.1 关联规则 　　（1） 关联规则的挖掘 　　关联关系可以采用置信度、支持度、期望置信度、作用度四个标量进行表述。通常来说，置信度就是关联规则下准确度的衡量标准，而支持度则体现了重要性标准。支持度越大，说明这个关联规则就更加重要。如果在数据挖掘中，存在关联规则的置信度较高，但是支持度却相对较低，那么这种规则的实际应用效果就很难保障[4]。 　　（2） 关联规则挖掘的过程 　　关联规则的挖掘需要通过两个阶段来实现：第一个阶段就是从现有的数据集合中找到高频项目组，并进行整合；第二个阶段就是通过这些高频项目组构建关联规则。 　　在第一个阶段中涉及到的高频项目组中的高频内涵指的是其中某一个具体的项目组出现的频率，只有这个项目组在记录中出现的频率达到了某一个水平，那么就叫做高频项目组。而且一个项目组出现的频率实际上就是支持度。比如以包含了物品集合和物品集合的项目为例，通过式（1）就能够获得的项目支持度。 　　通过式（1）计算出来的支持度如果大于设定的最小支持度，那么{A，B}这个项目组就可以称作高频项目组。