關(guān)聯(lián)規(guī)則Apriori算法在個(gè)性化學(xué)習(xí)系統(tǒng)中的應(yīng)用研究

繆廣寒

摘 要 關(guān)聯(lián)算法是實(shí)現(xiàn)學(xué)習(xí)系統(tǒng)的個(gè)性化、自主化的有效工具，利用Apriori算法我們可以在學(xué)習(xí)系統(tǒng)中尋找到學(xué)生的學(xué)習(xí)規(guī)律，進(jìn)而實(shí)現(xiàn)個(gè)性化的學(xué)習(xí)推薦，是為個(gè)性化學(xué)習(xí)系統(tǒng)不可取少的功能模塊。

關(guān)鍵詞 Apriori算法；個(gè)性化學(xué)習(xí)系統(tǒng)；AprioriTid算法；數(shù)據(jù)挖掘

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）05-0047-02

目前，眾多的學(xué)習(xí)系統(tǒng)大多類似，主要表現(xiàn)在：通用型較多，有專業(yè)特色的開發(fā)者少；理論類多，實(shí)踐類少；大眾類多，個(gè)性化少。而對(duì)于目前的個(gè)性化系統(tǒng)來(lái)說(shuō)，由于缺乏一個(gè)可以量化的個(gè)性化的標(biāo)準(zhǔn)，所以在具體實(shí)現(xiàn)上很難真正的實(shí)現(xiàn)個(gè)性化學(xué)習(xí)，即在內(nèi)容上、模塊上、結(jié)構(gòu)上很難有較為系統(tǒng)、全面、高質(zhì)量的系統(tǒng)出現(xiàn)。同時(shí)，人們的網(wǎng)絡(luò)學(xué)習(xí)已經(jīng)不再滿足于傳統(tǒng)書本的電子化。交互性、自主性、個(gè)性、多元化等各種學(xué)習(xí)特征急需實(shí)現(xiàn)。因此，許多教育學(xué)者協(xié)同學(xué)習(xí)系統(tǒng)開發(fā)者們都不斷投入到個(gè)性化學(xué)習(xí)系統(tǒng)中的個(gè)性化的開發(fā)建設(shè)中去，希望能在技術(shù)層面解決個(gè)性化需求與海量學(xué)習(xí)資源之間的矛盾，實(shí)時(shí)給網(wǎng)絡(luò)學(xué)習(xí)者個(gè)性化的學(xué)習(xí)指導(dǎo)，實(shí)現(xiàn)真正的因材施教。

基于上述問(wèn)題的解決，本文構(gòu)建設(shè)計(jì)了一個(gè)課外體育的個(gè)性化學(xué)習(xí)系統(tǒng)，并利用數(shù)據(jù)挖掘技術(shù)中Apriori算法來(lái)改進(jìn)當(dāng)前的個(gè)性化學(xué)習(xí)系統(tǒng)的學(xué)習(xí)模式，對(duì)每一個(gè)網(wǎng)絡(luò)學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)進(jìn)程。

1 個(gè)性化學(xué)習(xí)系統(tǒng)及其技術(shù)支持

個(gè)性化學(xué)習(xí)是指根據(jù)學(xué)習(xí)者的個(gè)性特征實(shí)施教育活動(dòng)，充分發(fā)揮學(xué)習(xí)者的主動(dòng)性，促進(jìn)學(xué)生全面、自由、協(xié)調(diào)的發(fā)展，從而進(jìn)一步發(fā)展學(xué)生的個(gè)性和潛能激發(fā)。個(gè)性化學(xué)習(xí)是一種創(chuàng)造性、實(shí)踐性和探索性的學(xué)習(xí)方式，它的根本目標(biāo)是讓每個(gè)學(xué)生獲得個(gè)性發(fā)展，實(shí)現(xiàn)個(gè)性化學(xué)習(xí)的關(guān)鍵主要是看個(gè)性化系統(tǒng)能否適應(yīng)學(xué)生的個(gè)性化差異，其中包括學(xué)生的學(xué)習(xí)能力的差異、學(xué)習(xí)興趣的差異、學(xué)習(xí)適應(yīng)性差異和學(xué)習(xí)經(jīng)驗(yàn)差異。

為了滿足學(xué)習(xí)者個(gè)性化、自主式學(xué)習(xí)要求，網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)平臺(tái)也在不斷的發(fā)展改進(jìn)，以各種技術(shù)支撐的學(xué)習(xí)系統(tǒng)應(yīng)運(yùn)而生，如自適應(yīng)學(xué)習(xí)系統(tǒng)、課程點(diǎn)播系統(tǒng)系統(tǒng)、課程視頻會(huì)議等，還有以建設(shè)個(gè)性化學(xué)習(xí)環(huán)境為主的WEB2.0技術(shù)，RSS聚合技術(shù)、Ajax技術(shù)、Ontology本體檢索技術(shù)、數(shù)據(jù)挖掘技術(shù)、數(shù)據(jù)庫(kù)技術(shù)等應(yīng)運(yùn)而生?？梢哉f(shuō)從國(guó)家到學(xué)校，各種相關(guān)研究和投入已經(jīng)多有嘗試，頗具規(guī)模。

要實(shí)現(xiàn)學(xué)習(xí)系統(tǒng)個(gè)性關(guān)鍵在于從信息資源的海洋中得到關(guān)于學(xué)習(xí)者對(duì)系統(tǒng)資源使用模式的相關(guān)知識(shí)，并進(jìn)一步結(jié)合這些知識(shí)根據(jù)學(xué)習(xí)者的個(gè)人興趣特征實(shí)現(xiàn)對(duì)學(xué)習(xí)者的個(gè)性化推薦，提供相應(yīng)資源。目前這些功能的實(shí)現(xiàn)主要采用數(shù)據(jù)挖掘技術(shù)來(lái)實(shí)現(xiàn)。其中，關(guān)聯(lián)規(guī)則就是數(shù)據(jù)挖掘技術(shù)中的一個(gè)重要分析模式。

1.1 關(guān)聯(lián)規(guī)則

數(shù)據(jù)關(guān)聯(lián)是指數(shù)據(jù)庫(kù)中存在的一類重要的可被發(fā)現(xiàn)的知識(shí)。如果兩個(gè)或多個(gè)變量的取值之間存在某種規(guī)律性，就可稱之為關(guān)聯(lián)。數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則實(shí)在滿足一定支持度和置信度算法的同時(shí)在事務(wù)數(shù)據(jù)庫(kù)數(shù)量龐大的關(guān)聯(lián)規(guī)則中找到強(qiáng)規(guī)則。Apriori算法是一個(gè)典型的關(guān)聯(lián)規(guī)則算法 ，也稱廣度優(yōu)先算法。是R Agrawal和R Srikant 于1994年提出的。

1.2 Apriori算法

Apriori算法的基本思想是：1）找出所有的頻集，這些項(xiàng)集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持度一樣；2）從頻繁項(xiàng)集發(fā)現(xiàn)強(qiáng)關(guān)聯(lián)規(guī)則。從一開始找到的頻繁項(xiàng)集的規(guī)則中找出只包含集合的項(xiàng)的所有規(guī)則。掃描項(xiàng)集，使用遞歸的方法找出所有頻繁項(xiàng)集，為了生成所有頻集，使用了遞歸的方法。具體算法偽代碼如下：

Input：數(shù)據(jù)庫(kù)D；最小支持度MinSuport_count。

Output：數(shù)據(jù)庫(kù)D中的頻繁項(xiàng)集I。

Begin

a、獲得所有支持度不小于 MinSupport的1-項(xiàng)目集

Im=large1-Itemsets；

b、找出數(shù)據(jù)庫(kù)D 中所有的頻繁項(xiàng)集I

FOR（k=2；Ik-1≠Ф；k++）DO

Ck=apriori_gen（Ik-1）；

FOR 所有transactions l ∈D DO

Ct=subset（CK，t）；

FOR 所有候選 c∈Ct DO

c.count++

END

END

Ik={ c ∈Ck|c.count≥MinSuport_count}

END

I=∪Ik

End

其中，apriori_gen（Ik-1）算法按照上一次迭代發(fā)現(xiàn)新的候選項(xiàng)集，分為鏈接和修剪兩個(gè)部分。具體描述如下：

1.2.1 鏈接

Begin

FOR 所有項(xiàng)目集 p∈Lk-1 DO

FOR 所有項(xiàng)目集 q∈Lk-1 DO

IF p.item1=q.item1，p.item2=q.item2…p.itemk-2=

q.itemk-2， p.itemk-1=q.itemk-1， THEN {

C=p∪q； //鏈接，產(chǎn)生候選集

IF has_infrequent_subset（c，Ik-1） THEN

Delete c； // 修剪。去掉無(wú)用候選項(xiàng)

ELSE add c to Ck}

Return Ck

End

1.2.2 修剪

在上述算法中，語(yǔ)句“IF has_infrequent_subset（c，Lk-1） THEN刪除”是判斷c 是否需要加入到 k-候選集中，不需要就修剪掉。endprint

Begin

FOR each （k-1）-subsets of c DO

IF S ? Ik-1 THEN

Return true；

Return False；

END

End

2 使用Apriori 算法獲得學(xué)習(xí)者的學(xué)習(xí)規(guī)則

關(guān)聯(lián)規(guī)則挖掘算法可以應(yīng)用在學(xué)生的成績(jī)分析上，如知識(shí)點(diǎn)與測(cè)試成績(jī)之間函數(shù)關(guān)系。通過(guò)對(duì)籃球課程的活動(dòng)記錄與相應(yīng)的測(cè)試成績(jī)的數(shù)據(jù)分析，我們可以找到一些對(duì)今后指導(dǎo)學(xué)生課外學(xué)習(xí)的有用規(guī)律。其具體流程如下。

2.1 整理數(shù)據(jù)

學(xué)生的學(xué)習(xí)記錄庫(kù)中記錄了學(xué)生的個(gè)人信息與基本學(xué)習(xí)過(guò)程信息。如學(xué)生姓名、學(xué)號(hào)、學(xué)習(xí)風(fēng)格、學(xué)習(xí)時(shí)間、學(xué)習(xí)路徑、測(cè)試成績(jī)等內(nèi)容。整理數(shù)據(jù)的目的是為了使學(xué)生的數(shù)據(jù)記錄等符合Apriori算法所需的項(xiàng)目集開展數(shù)據(jù)挖掘，首先需要將關(guān)系表轉(zhuǎn)換成相應(yīng)的事務(wù)數(shù)據(jù)庫(kù)。

2.2 生成事物數(shù)據(jù)庫(kù)選擇自主學(xué)習(xí)內(nèi)容，以代碼代替

2.3 生成頻繁項(xiàng)集

通過(guò)以上的對(duì)應(yīng)抽象，我們可知事務(wù)集，假設(shè)最小支持度為25%，使用Apriori算法尋找D的所有頻繁項(xiàng)集。

2.4 關(guān)聯(lián)規(guī)則生成

在Apriori算法中，對(duì)于每一個(gè)頻繁k-項(xiàng)集都要找出其中所有可能的真子集，計(jì)算出相應(yīng)規(guī)則的置信度。當(dāng)我們發(fā)現(xiàn)某一規(guī)則的置信度大于設(shè)定的最小置信度就導(dǎo)出該規(guī)則。其中，每驗(yàn)證一個(gè)項(xiàng)子集都要重新掃描一遍Ik-1。在對(duì)某學(xué)生的籃球?qū)W習(xí)記錄中分析，最小置信度閾值設(shè)置為75%則可以發(fā)現(xiàn)強(qiáng)規(guī)則I01∧I08→I03。此規(guī)則告訴我們發(fā)現(xiàn)如果某生的運(yùn)球技能與防守戰(zhàn)術(shù)同時(shí)成績(jī)優(yōu)秀，則發(fā)現(xiàn)的該生在實(shí)踐活動(dòng)中的投籃技能成績(jī)也一般為優(yōu)秀。通過(guò)該例，我們可以發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)算法可以發(fā)現(xiàn)學(xué)生學(xué)習(xí)中的一些隱藏的學(xué)習(xí)規(guī)律，而這些規(guī)律正好可供學(xué)習(xí)系統(tǒng)給學(xué)習(xí)者提供下一步個(gè)性化學(xué)習(xí)方案。

3 多項(xiàng)目集的Apriori算法改進(jìn)

我們發(fā)現(xiàn)，由于Apriori算法對(duì)數(shù)據(jù)庫(kù)的掃描次數(shù)過(guò)多，所以在有限的內(nèi)存容量下存放大量的事務(wù)數(shù)據(jù)時(shí)，系統(tǒng)I/O負(fù)載會(huì)變大，每次掃描數(shù)據(jù)庫(kù)的時(shí)間就會(huì)越長(zhǎng)。此外，如果學(xué)習(xí)系統(tǒng)中某一課程的知識(shí)節(jié)點(diǎn)太多而導(dǎo)致分析的頻繁項(xiàng)集個(gè)數(shù)太多會(huì)產(chǎn)生大量的侯選項(xiàng)集。這會(huì)導(dǎo)致運(yùn)算時(shí)間顯著增加。所以根據(jù)不同的課程，我們可以改進(jìn)Apriori算法，采用減低候選項(xiàng)目數(shù)量的方法，我們稱之為AprioriTid。此算法無(wú)需此次掃描數(shù)據(jù)庫(kù)，當(dāng)?shù)谝淮螔呙钄?shù)據(jù)庫(kù)之后，第二次只需要掃描前一次產(chǎn)生的項(xiàng)目集而不再需要完全的掃描數(shù)據(jù)庫(kù)，這樣就可以有效的減少了I/O負(fù)載和數(shù)據(jù)運(yùn)算時(shí)間。

具體改進(jìn)為在事務(wù)集TID中。當(dāng)k=1時(shí)，C1掃描數(shù)據(jù)庫(kù)D，C1=數(shù)據(jù)庫(kù)D，但當(dāng)k>1時(shí)，有算法產(chǎn)生Ck，Ck=apriori-gen（Lk-1）。

此外，我們還可以在AprioriTid的基礎(chǔ)上通過(guò)把項(xiàng)目集中一些無(wú)關(guān)的屬性先去掉以及通過(guò)把兩個(gè)元素結(jié)合在一起組成一個(gè)新屬性的辦法來(lái)減少工作量，又或者在產(chǎn)生頻繁k-項(xiàng)集以后去掉一些非頻繁項(xiàng)集來(lái)簡(jiǎn)化掃描時(shí)間。以上兩種方法的結(jié)合使用類似于矩陣中逐漸去掉行與列。

4 現(xiàn)存的問(wèn)題與思考

利用Apriori算法與AprioriTid算法，我們可以有效的挖掘出個(gè)性化學(xué)習(xí)中學(xué)習(xí)者的學(xué)習(xí)關(guān)聯(lián)，掌握學(xué)生的學(xué)習(xí)動(dòng)態(tài)，進(jìn)而更深入了了解學(xué)生的學(xué)習(xí)規(guī)律與特點(diǎn)。但是在分布式計(jì)算與學(xué)習(xí)增量的情況下，我們不得不需要進(jìn)一步地改進(jìn)算法，以適合當(dāng)前及未來(lái)的個(gè)性化學(xué)習(xí)系統(tǒng)發(fā)展的趨勢(shì)。

參考文獻(xiàn)

[1]劉美玲.基于數(shù)據(jù)挖掘技術(shù)的個(gè)性化學(xué)習(xí)系統(tǒng)研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2009.

[2]盛立，高明，劉希玉.一種高效的關(guān)聯(lián)規(guī)則的算法研究[J].濱州學(xué)院學(xué)報(bào)，2005（12）.

[3]盛立，劉希玉，高明.數(shù)據(jù)關(guān)聯(lián)規(guī)則中AprioriTid[J].山東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2005（10）.

[4]李曼.Web日志挖掘技術(shù)在心靈家園網(wǎng)中的應(yīng)用研究[D].河南：河南大學(xué)，2013.

[5]何月順.關(guān)聯(lián)規(guī)則挖掘技術(shù)的研究及應(yīng)用[D].江蘇：南京航空航天大學(xué)，2010.

[6]王志強(qiáng).基于遠(yuǎn)程教育網(wǎng)站的信息采集與數(shù)據(jù)挖掘技術(shù)研究[D].上海：華東師范大學(xué)，2007.endprint

Begin

FOR each （k-1）-subsets of c DO

IF S ? Ik-1 THEN

Return true；

Return False；

END

End

2 使用Apriori 算法獲得學(xué)習(xí)者的學(xué)習(xí)規(guī)則

關(guān)聯(lián)規(guī)則挖掘算法可以應(yīng)用在學(xué)生的成績(jī)分析上，如知識(shí)點(diǎn)與測(cè)試成績(jī)之間函數(shù)關(guān)系。通過(guò)對(duì)籃球課程的活動(dòng)記錄與相應(yīng)的測(cè)試成績(jī)的數(shù)據(jù)分析，我們可以找到一些對(duì)今后指導(dǎo)學(xué)生課外學(xué)習(xí)的有用規(guī)律。其具體流程如下。

2.1 整理數(shù)據(jù)

學(xué)生的學(xué)習(xí)記錄庫(kù)中記錄了學(xué)生的個(gè)人信息與基本學(xué)習(xí)過(guò)程信息。如學(xué)生姓名、學(xué)號(hào)、學(xué)習(xí)風(fēng)格、學(xué)習(xí)時(shí)間、學(xué)習(xí)路徑、測(cè)試成績(jī)等內(nèi)容。整理數(shù)據(jù)的目的是為了使學(xué)生的數(shù)據(jù)記錄等符合Apriori算法所需的項(xiàng)目集開展數(shù)據(jù)挖掘，首先需要將關(guān)系表轉(zhuǎn)換成相應(yīng)的事務(wù)數(shù)據(jù)庫(kù)。

2.2 生成事物數(shù)據(jù)庫(kù)選擇自主學(xué)習(xí)內(nèi)容，以代碼代替

2.3 生成頻繁項(xiàng)集

通過(guò)以上的對(duì)應(yīng)抽象，我們可知事務(wù)集，假設(shè)最小支持度為25%，使用Apriori算法尋找D的所有頻繁項(xiàng)集。

2.4 關(guān)聯(lián)規(guī)則生成

在Apriori算法中，對(duì)于每一個(gè)頻繁k-項(xiàng)集都要找出其中所有可能的真子集，計(jì)算出相應(yīng)規(guī)則的置信度。當(dāng)我們發(fā)現(xiàn)某一規(guī)則的置信度大于設(shè)定的最小置信度就導(dǎo)出該規(guī)則。其中，每驗(yàn)證一個(gè)項(xiàng)子集都要重新掃描一遍Ik-1。在對(duì)某學(xué)生的籃球?qū)W習(xí)記錄中分析，最小置信度閾值設(shè)置為75%則可以發(fā)現(xiàn)強(qiáng)規(guī)則I01∧I08→I03。此規(guī)則告訴我們發(fā)現(xiàn)如果某生的運(yùn)球技能與防守戰(zhàn)術(shù)同時(shí)成績(jī)優(yōu)秀，則發(fā)現(xiàn)的該生在實(shí)踐活動(dòng)中的投籃技能成績(jī)也一般為優(yōu)秀。通過(guò)該例，我們可以發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)算法可以發(fā)現(xiàn)學(xué)生學(xué)習(xí)中的一些隱藏的學(xué)習(xí)規(guī)律，而這些規(guī)律正好可供學(xué)習(xí)系統(tǒng)給學(xué)習(xí)者提供下一步個(gè)性化學(xué)習(xí)方案。

3 多項(xiàng)目集的Apriori算法改進(jìn)

我們發(fā)現(xiàn)，由于Apriori算法對(duì)數(shù)據(jù)庫(kù)的掃描次數(shù)過(guò)多，所以在有限的內(nèi)存容量下存放大量的事務(wù)數(shù)據(jù)時(shí)，系統(tǒng)I/O負(fù)載會(huì)變大，每次掃描數(shù)據(jù)庫(kù)的時(shí)間就會(huì)越長(zhǎng)。此外，如果學(xué)習(xí)系統(tǒng)中某一課程的知識(shí)節(jié)點(diǎn)太多而導(dǎo)致分析的頻繁項(xiàng)集個(gè)數(shù)太多會(huì)產(chǎn)生大量的侯選項(xiàng)集。這會(huì)導(dǎo)致運(yùn)算時(shí)間顯著增加。所以根據(jù)不同的課程，我們可以改進(jìn)Apriori算法，采用減低候選項(xiàng)目數(shù)量的方法，我們稱之為AprioriTid。此算法無(wú)需此次掃描數(shù)據(jù)庫(kù)，當(dāng)?shù)谝淮螔呙钄?shù)據(jù)庫(kù)之后，第二次只需要掃描前一次產(chǎn)生的項(xiàng)目集而不再需要完全的掃描數(shù)據(jù)庫(kù)，這樣就可以有效的減少了I/O負(fù)載和數(shù)據(jù)運(yùn)算時(shí)間。

具體改進(jìn)為在事務(wù)集TID中。當(dāng)k=1時(shí)，C1掃描數(shù)據(jù)庫(kù)D，C1=數(shù)據(jù)庫(kù)D，但當(dāng)k>1時(shí)，有算法產(chǎn)生Ck，Ck=apriori-gen（Lk-1）。

此外，我們還可以在AprioriTid的基礎(chǔ)上通過(guò)把項(xiàng)目集中一些無(wú)關(guān)的屬性先去掉以及通過(guò)把兩個(gè)元素結(jié)合在一起組成一個(gè)新屬性的辦法來(lái)減少工作量，又或者在產(chǎn)生頻繁k-項(xiàng)集以后去掉一些非頻繁項(xiàng)集來(lái)簡(jiǎn)化掃描時(shí)間。以上兩種方法的結(jié)合使用類似于矩陣中逐漸去掉行與列。

4 現(xiàn)存的問(wèn)題與思考

利用Apriori算法與AprioriTid算法，我們可以有效的挖掘出個(gè)性化學(xué)習(xí)中學(xué)習(xí)者的學(xué)習(xí)關(guān)聯(lián)，掌握學(xué)生的學(xué)習(xí)動(dòng)態(tài)，進(jìn)而更深入了了解學(xué)生的學(xué)習(xí)規(guī)律與特點(diǎn)。但是在分布式計(jì)算與學(xué)習(xí)增量的情況下，我們不得不需要進(jìn)一步地改進(jìn)算法，以適合當(dāng)前及未來(lái)的個(gè)性化學(xué)習(xí)系統(tǒng)發(fā)展的趨勢(shì)。

參考文獻(xiàn)

[1]劉美玲.基于數(shù)據(jù)挖掘技術(shù)的個(gè)性化學(xué)習(xí)系統(tǒng)研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2009.

[2]盛立，高明，劉希玉.一種高效的關(guān)聯(lián)規(guī)則的算法研究[J].濱州學(xué)院學(xué)報(bào)，2005（12）.

[3]盛立，劉希玉，高明.數(shù)據(jù)關(guān)聯(lián)規(guī)則中AprioriTid[J].山東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2005（10）.

[4]李曼.Web日志挖掘技術(shù)在心靈家園網(wǎng)中的應(yīng)用研究[D].河南：河南大學(xué)，2013.

[5]何月順.關(guān)聯(lián)規(guī)則挖掘技術(shù)的研究及應(yīng)用[D].江蘇：南京航空航天大學(xué)，2010.

[6]王志強(qiáng).基于遠(yuǎn)程教育網(wǎng)站的信息采集與數(shù)據(jù)挖掘技術(shù)研究[D].上海：華東師范大學(xué)，2007.endprint

Begin

FOR each （k-1）-subsets of c DO

IF S ? Ik-1 THEN

Return true；

Return False；

END

End

2 使用Apriori 算法獲得學(xué)習(xí)者的學(xué)習(xí)規(guī)則

關(guān)聯(lián)規(guī)則挖掘算法可以應(yīng)用在學(xué)生的成績(jī)分析上，如知識(shí)點(diǎn)與測(cè)試成績(jī)之間函數(shù)關(guān)系。通過(guò)對(duì)籃球課程的活動(dòng)記錄與相應(yīng)的測(cè)試成績(jī)的數(shù)據(jù)分析，我們可以找到一些對(duì)今后指導(dǎo)學(xué)生課外學(xué)習(xí)的有用規(guī)律。其具體流程如下。

2.1 整理數(shù)據(jù)

學(xué)生的學(xué)習(xí)記錄庫(kù)中記錄了學(xué)生的個(gè)人信息與基本學(xué)習(xí)過(guò)程信息。如學(xué)生姓名、學(xué)號(hào)、學(xué)習(xí)風(fēng)格、學(xué)習(xí)時(shí)間、學(xué)習(xí)路徑、測(cè)試成績(jī)等內(nèi)容。整理數(shù)據(jù)的目的是為了使學(xué)生的數(shù)據(jù)記錄等符合Apriori算法所需的項(xiàng)目集開展數(shù)據(jù)挖掘，首先需要將關(guān)系表轉(zhuǎn)換成相應(yīng)的事務(wù)數(shù)據(jù)庫(kù)。

2.2 生成事物數(shù)據(jù)庫(kù)選擇自主學(xué)習(xí)內(nèi)容，以代碼代替

2.3 生成頻繁項(xiàng)集

通過(guò)以上的對(duì)應(yīng)抽象，我們可知事務(wù)集，假設(shè)最小支持度為25%，使用Apriori算法尋找D的所有頻繁項(xiàng)集。

2.4 關(guān)聯(lián)規(guī)則生成

在Apriori算法中，對(duì)于每一個(gè)頻繁k-項(xiàng)集都要找出其中所有可能的真子集，計(jì)算出相應(yīng)規(guī)則的置信度。當(dāng)我們發(fā)現(xiàn)某一規(guī)則的置信度大于設(shè)定的最小置信度就導(dǎo)出該規(guī)則。其中，每驗(yàn)證一個(gè)項(xiàng)子集都要重新掃描一遍Ik-1。在對(duì)某學(xué)生的籃球?qū)W習(xí)記錄中分析，最小置信度閾值設(shè)置為75%則可以發(fā)現(xiàn)強(qiáng)規(guī)則I01∧I08→I03。此規(guī)則告訴我們發(fā)現(xiàn)如果某生的運(yùn)球技能與防守戰(zhàn)術(shù)同時(shí)成績(jī)優(yōu)秀，則發(fā)現(xiàn)的該生在實(shí)踐活動(dòng)中的投籃技能成績(jī)也一般為優(yōu)秀。通過(guò)該例，我們可以發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)算法可以發(fā)現(xiàn)學(xué)生學(xué)習(xí)中的一些隱藏的學(xué)習(xí)規(guī)律，而這些規(guī)律正好可供學(xué)習(xí)系統(tǒng)給學(xué)習(xí)者提供下一步個(gè)性化學(xué)習(xí)方案。

3 多項(xiàng)目集的Apriori算法改進(jìn)

我們發(fā)現(xiàn)，由于Apriori算法對(duì)數(shù)據(jù)庫(kù)的掃描次數(shù)過(guò)多，所以在有限的內(nèi)存容量下存放大量的事務(wù)數(shù)據(jù)時(shí)，系統(tǒng)I/O負(fù)載會(huì)變大，每次掃描數(shù)據(jù)庫(kù)的時(shí)間就會(huì)越長(zhǎng)。此外，如果學(xué)習(xí)系統(tǒng)中某一課程的知識(shí)節(jié)點(diǎn)太多而導(dǎo)致分析的頻繁項(xiàng)集個(gè)數(shù)太多會(huì)產(chǎn)生大量的侯選項(xiàng)集。這會(huì)導(dǎo)致運(yùn)算時(shí)間顯著增加。所以根據(jù)不同的課程，我們可以改進(jìn)Apriori算法，采用減低候選項(xiàng)目數(shù)量的方法，我們稱之為AprioriTid。此算法無(wú)需此次掃描數(shù)據(jù)庫(kù)，當(dāng)?shù)谝淮螔呙钄?shù)據(jù)庫(kù)之后，第二次只需要掃描前一次產(chǎn)生的項(xiàng)目集而不再需要完全的掃描數(shù)據(jù)庫(kù)，這樣就可以有效的減少了I/O負(fù)載和數(shù)據(jù)運(yùn)算時(shí)間。

具體改進(jìn)為在事務(wù)集TID中。當(dāng)k=1時(shí)，C1掃描數(shù)據(jù)庫(kù)D，C1=數(shù)據(jù)庫(kù)D，但當(dāng)k>1時(shí)，有算法產(chǎn)生Ck，Ck=apriori-gen（Lk-1）。

此外，我們還可以在AprioriTid的基礎(chǔ)上通過(guò)把項(xiàng)目集中一些無(wú)關(guān)的屬性先去掉以及通過(guò)把兩個(gè)元素結(jié)合在一起組成一個(gè)新屬性的辦法來(lái)減少工作量，又或者在產(chǎn)生頻繁k-項(xiàng)集以后去掉一些非頻繁項(xiàng)集來(lái)簡(jiǎn)化掃描時(shí)間。以上兩種方法的結(jié)合使用類似于矩陣中逐漸去掉行與列。

4 現(xiàn)存的問(wèn)題與思考

利用Apriori算法與AprioriTid算法，我們可以有效的挖掘出個(gè)性化學(xué)習(xí)中學(xué)習(xí)者的學(xué)習(xí)關(guān)聯(lián)，掌握學(xué)生的學(xué)習(xí)動(dòng)態(tài)，進(jìn)而更深入了了解學(xué)生的學(xué)習(xí)規(guī)律與特點(diǎn)。但是在分布式計(jì)算與學(xué)習(xí)增量的情況下，我們不得不需要進(jìn)一步地改進(jìn)算法，以適合當(dāng)前及未來(lái)的個(gè)性化學(xué)習(xí)系統(tǒng)發(fā)展的趨勢(shì)。

參考文獻(xiàn)

[1]劉美玲.基于數(shù)據(jù)挖掘技術(shù)的個(gè)性化學(xué)習(xí)系統(tǒng)研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2009.

[2]盛立，高明，劉希玉.一種高效的關(guān)聯(lián)規(guī)則的算法研究[J].濱州學(xué)院學(xué)報(bào)，2005（12）.

[3]盛立，劉希玉，高明.數(shù)據(jù)關(guān)聯(lián)規(guī)則中AprioriTid[J].山東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2005（10）.

[4]李曼.Web日志挖掘技術(shù)在心靈家園網(wǎng)中的應(yīng)用研究[D].河南：河南大學(xué)，2013.

[5]何月順.關(guān)聯(lián)規(guī)則挖掘技術(shù)的研究及應(yīng)用[D].江蘇：南京航空航天大學(xué)，2010.

[6]王志強(qiáng).基于遠(yuǎn)程教育網(wǎng)站的信息采集與數(shù)據(jù)挖掘技術(shù)研究[D].上海：華東師范大學(xué)，2007.endprint