学生综合素质评估的层次贝叶斯网络聚类方法.pdfVIP

第 43 ..第 3 期 2011 年 9 月 东北师大学报(自然科学版} Journal of Northeast Normal University( Natural Science Edition) [文章编号]1000-1832(2011)03-0049-05 Vol. 43 No.3 September 2011 学生综合素质评估的层次贝叶斯网络聚类方法 李兰春1 ，王双成 2 ，王辉3 (1.上海立信会计学院外语学院，上海 201620; 2. 上海立信会计学院数学与信息学院，上海 201620; 3. 中央民族大学信息工程学院，北京 10008 1) [摘 要] 针对学生综合素质评估特点和现有评估方法存在的问题，建立了学生综合素质评 估的层次朴素贝叶斯网络聚类方法，这种方法不需要许多例子，甚至在没有例子的情况下也能 够进行规则提炼和预测.实验结果显示，层次朴素贝叶斯网络聚类方法具有良好的预测准确 性，这将使基于层次朴素贝叶斯网络聚类的学生综合素质评估更加可靠. [关键词] 学生综合素质评估 z 指标体系 F 层次朴素贝叶斯网络;聚类 [中固分类号] TP 181 [学科代码] 520. 20 [文献标志码] A O 引言 学生综合素质评估[川是检验学生全面发展水平的有效方法之一，同时也为加强学生思想教青和管 理工作，以及制定培养学生全面发展策略提供依据.学生综合素质评估是一个非常复杂的问题，其中有 两个关键的因素 z一个是建立指标体系，指标体系是评估的基础;另一个是运用数学或计算机智能方法 对指标进行综合处理，经过识别和判断获得评估等级. 目前的评估方法主要采用三级指标体系[35] ，在同级(二级或三级〉指标之间相互独立的假设下，通 过二级和三级指标的层次线性加权求租，以及计算结果的区间范围划分来进行等级计算.而现实中的同 级指标之间一般并不相互强立，而且等级与二级和三级指标之间的关系往往也是非线性的.现有的评估 方法只注重现在，而忽略过去〈历史) ，但过去对现在往往也有很大影响.使用二级和三级指标(属性)对 一级指标(类)进行等级识别和判断是一个分类(或聚类)预测问题.基于分类(或聚类)的等级预测不需 要线性关系的假设，可不受完全相互姐立性的约束，而且能够有放利用历史信息，因此在评价的可靠性 方面具有优势，并可开拓综合评估的新思路. 分类技术是使用计算机对人类概念学习与应用能力的模拟，已成为机器学习、模式识别和数据采掘 等领域研究的核心内容之一.现已发展了许多著名的分类器，如朴素( naive) 贝叶斯分类器、TAN 分类 器、C4.5 分类器、支持向量机和神经网络等，它们各有特色，已在许多领域得到了广泛的应用.但这些分 类器都需要一定数量的例子用于学习(训练) .当具有不完整例子(类标签很少、某些类标签残缺或根本 没有类标签)时，由于分类器得不到很好的训练(甚至一些参数无法估计).将导致分类预测结果不可靠， 甚至无法进行分类预测.而由于各种原因，在学生综合素质评估中这种不完整的例子集普遍存在，目前 还缺乏对具有不完整例子情况的针对性研究.朴素贝叶斯网络聚类适合于进行这类情况的识别和预测， 这种聚类技术不仅在例子少或例子残缺时能够进行有般的学习和预测，甚至没离例子也可归纳出分类 规则.经典的朴素贝叶斯网络聚类[6] 是结合朴素贝叶斯网络与 EM(expectation-maximization)算法进行 的聚类，其中的条件密度估计一般选择高斯雨数.由于 EM 算法是对分布参数的局部贪婪 (greedy) 寻 [收稿臼期] 2010-12-05 [基金项目] 问家 n 然科学慕金贸助1明 FJ 1 ft育部人文牡科基金资助项目 (10YJA630154) 1上海市敏委重点学科建设项 l:l (151702) 1 上海 rff ~世备科研创新歌点项川(()!lzz202) . [作简介] 李且称 1959 ).女. iJ~ I}币 .1二llf从哪披 ff iffM咱论与 方法研究 I r.双T!1t 1958-). 舅，傅士.f.t搜.主要从事计算机事能 技术与应川研究，王辉(1961-) .男.敏授.主要从事决策支仰技术与应川研究. 50 东北师大学报(自然科学版) 第 43 卷 优，因此对初始值敏感，易于陷入局部极值，参数迭代还可能收敛到并非似然画数极值的参数空间的边 界，从而产生欺骗收敛，这可能导致聚类结果出现极端情况(类值聚集在少数类). 本文针对学生综合素质评估需求和经典朴素贝叶斯网络聚类存在的问题，结合朴素贝叶斯网络结 构和 Gibbs sampling[7]进行层次聚类，建立层次朴素贝叶斯网络聚类(简记为 HNBC)方法，能够有效避 免使用 EM 算法所导致的局部最