关联规则在学生助学系统中应用研究.docVIP

关联规则在学生助学系统中应用研究 　　摘 要： 高等教育体制改革的不断深入和发展促进了我国高等教育规模不断扩大，高校学生人数逐年增加，由此积累的大量助学信息亟须分析整合。关联规则是数据挖掘的一个重要分支，主要侧重于确定数据库中不同领域间的联系，找出满足给定支持度和置信度的多个域之间的依赖关系，能为帮困助学数据分析提供很好的技术支持。本文就是通过对数据挖掘和关联规则的研究，对家庭经济困难学生在校期间的综合表现与就业去向进行关联，从中得到辅助学校学工部门有针对性地开展帮困助学工作的建议。 　　关键词： 数据挖掘 关联规则 学生助学系统 　　1.引言 　　随着我国高等教育体制改革的不断深入和发展，全国高等教育在学总人数已逾千万，这标志着我国高等教育进入了国际公认的大众化发展阶段。在招生规模不断扩大的同时，家庭经济困难学生的问题日益突出。经济有困难的学生能否顺利入学并完成学业，已成为社会普遍关心的问题。 　　为解决家庭经济困难学生的学习问题，政府和高校经过多年的努力，建立起一套以国家助学贷款为主体的高校贫困学生资助政策体系。国家从2000年开始推行国家助学贷款制度，经过这些年的工作，各高校学生工作部门都积累了大量与贷款学生有关的原始数据，包括学生的基本信息、在校期间的文化课成绩信息、获奖助学金信息、参加学校的勤工助学的工作情况信息及就业去向信息等，而且这些数据会随着学校招生规模的不断扩大、办学时间的增长而继续增加。 　　2.关联规则 　　2.1数据挖掘与关联规则。 　　数据挖掘技术是人们长期对数据库技术进行研究和开发的结果。数据挖掘最早出现在第11届国际联合人工智能学术会议上，它又被称为数据库中的知识发现，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单地说，数据挖掘就是从大量数据中提取或“挖掘”知识。 　　数据挖掘功能用于指定数据挖掘任务中要找的模式类型。一般地，数据挖掘任务可以分两类：描述和预测。描述性挖掘任务刻画数据库中数据的一般特性；预测性挖掘任务在当前数据上进行推断，以进行预测。 　　数据挖掘在学生的招生与就业工作中发挥着作用。有学者通过对历年的招生信息的分析研究，提出了修改招生计划的指导意见，变被动招生为主动招生。在就业工作方面，也有人通过对历年学生的在校表现和就业情况进行综合分析，提出有相应的分类指导意见。 　　关联规则是数据挖掘的一个重要分支，最初其研究对象为交易数据库，主要目的就是发现交易数据库中交易项目之间是否存在某种关系，后来又推广到关系型数据库，主要目的是从数据库中挖掘出项集之间的关联规则。规则的支持度和置信度是规则兴趣度的两种度量。 　　关联规则的挖掘主要包括以下两个主要过程：首先是找出所有频繁项集，这些项集出现的频率至少和预定义的最小支持计数一样。其次是由频繁项集产生强关联规则：找出的关联规则必须满足最小支持度和最小置信度。 　　2.2关联规则分类。 　　根据分类的标准不同，关联规则可以有以下几种分类方式：基于规则中处理的变量类别分类、基于规则中数据的抽象层次分类和基于规则中涉及的数据维数分类。 　　根据规则中处理的变量的值，可以将规则分为布尔关联规则和量化关联规则。布尔型关联规则显示了这些变量之间的关系，而量化关联规则通常是在处理数值型数据时对数值进行分段量化得来的。根据规则中数据的抽象层次，可以分为单层关联规则和多层关联规则，两者的区别在于是否涉及不同层次的数据项。如果不涉及不同层次的数据项，得到的是单层关联规则。在不同抽象层次中挖掘出的关联规则称为多层关联规则。根据关联规则所涉及的数据维数不同，可以分为单维关联规则和多维关联规则。如果关联规则各项仅涉及一个维度，则称之为单维关联规则。如果关联规则涉及两个或两个以上维度，则称之为多维关联规则。 　　3.助学系统关联规则挖掘 　　通过开展助学工作，学校已基本形成了助学贷款、奖学金、困难补助、勤工助学和社会助学等五大帮困助学措施，同时也积累了相当多的与助学有关的信息。通过初步分析，可能影响学生就业的诸方面因素有：学生的奖学金获得情况、贷款额度、勤工助学表现、学历、专业，等等。助学系统关联规则挖掘就是希望对以上因素进行分析，找到一些有实际指导意义的规则。整个助学系统数据挖掘大体上分成数据的搜集、清理、集成、变换等预处理工作和关联规则挖掘工作。 　　3.1助学系统数据预处理。 　　3.1.1数据采集 　　助学系统涉及学校的多个部门，如学生处负责管理奖学金评定等；招生与就业指导办公室负责管理学生的生源信息和就业信息；财务处负责管理学生的助学贷款信息等；教务处负责管理学生的学籍信息和成绩信息等。勤工助学因为涉及多个部门，由设置勤工助学岗位的部门或学院负责对学生的日常考核，汇总工作则由学生处负责完成。 　　3.1.2数据清理