关联规则Apriori算法在个性化学习系统中应用探究.docVIP

关联规则Apriori算法在个性化学习系统中应用探究 　　摘 要 关联算法是实现学习系统的个性化、自主化的有效工具，利用Apriori算法我们可以在学习系统中寻找到学生的学习规律，进而实现个性化的学习推荐，是为个性化学习系统不可取少的功能模块。 关键词 Apriori算法；个性化学习系统；AprioriTid算法；数据挖掘 中图分类号：TP311 文献标识码：A 文章编号：1671-7597（2014）05-0047-02 目前，众多的学习系统大多类似，主要表现在：通用型较多，有专业特色的开发者少；理论类多，实践类少；大众类多，个性化少。而对于目前的个性化系统来说，由于缺乏一个可以量化的个性化的标准，所以在具体实现上很难真正的实现个性化学习，即在内容上、模块上、结构上很难有较为系统、全面、高质量的系统出现。同时，人们的网络学习已经不再满足于传统书本的电子化。交互性、自主性、个性、多元化等各种学习特征急需实现。因此，许多教育学者协同学习系统开发者们都不断投入到个性化学习系统中的个性化的开发建设中去，希望能在技术层面解决个性化需求与海量学习资源之间的矛盾，实时给网络学习者个性化的学习指导，实现真正的因材施教。 基于上述问题的解决，本文构建设计了一个课外体育的个性化学习系统，并利用数据挖掘技术中Apriori算法来改进当前的个性化学习系统的学习模式，对每一个网络学习者提供个性化的学习进程。 1 个性化学习系统及其技术支持 个性化学习是指根据学习者的个性特征实施教育活动，充分发挥学习者的主动性，促进学生全面、自由、协调的发展，从而进一步发展学生的个性和潜能激发。个性化学习是一种创造性、实践性和探索性的学习方式，它的根本目标是让每个学生获得个性发展，实现个性化学习的关键主要是看个性化系统能否适应学生的个性化差异，其中包括学生的学习能力的差异、学习兴趣的差异、学习适应性差异和学习经验差异。 为了满足学习者个性化、自主式学习要求，网络学习系统平台也在不断的发展改进，以各种技术支撑的学习系统应运而生，如自适应学习系统、课程点播系统系统、课程视频会议等，还有以建设个性化学习环境为主的WEB2.0技术，RSS聚合技术、Ajax技术、Ontology本体检索技术、数据挖掘技术、数据库技术等应运而生。可以说从国家到学校，各种相关研究和投入已经多有尝试，颇具规模。 要实现学习系统个性关键在于从信息资源的海洋中得到关于学习者对系统资源使用模式的相关知识，并进一步结合这些知识根据学习者的个人兴趣特征实现对学习者的个性化推荐，提供相应资源。目前这些功能的实现主要采用数据挖掘技术来实现。其中，关联规则就是数据挖掘技术中的一个重要分析模式。 1.1 关联规则 数据关联是指数据库中存在的一类重要的可被发现的知识。如果两个或多个变量的取值之间存在某种规律性，就可称之为关联。数据挖掘中的关联规则实在满足一定支持度和置信度算法的同时在事务数据库数量庞大的关联规则中找到强规则。Apriori算法是一个典型的关联规则算法 ，也称广度优先算法。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）找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样；2）从频繁项集发现强关联规则。从一开始找到的频繁项集的规则中找出只包含集合的项的所有规则。扫描项集，使用递归的方法找出所有频繁项集，为了生成所有频集，使用了递归的方法。具体算法伪代码如下： Input：数据库D；最小支持度MinSuport_count。 Output：数据库D中的频繁项集I。 Begin a、获得所有支持度不小于 MinSupport的1-项目集 Im=large1-Itemsets； b、找出数据库D 中所有的频繁项集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 所有候选 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发现新的候选项集，分为链接和修剪两个部分。具体描述如下： 1.2.1 链接 Begin FOR 所有项目集 p∈Lk-1 DO FOR 所有项目集 q∈Lk-1 DO IF p.item1=q.ite