改进型Apriori算法在学生管理系统中应用研究.docVIP

改进型Apriori算法在学生管理系统中应用研究 　　摘要：如今学生信息管理在高校管理工作中的地位已越来越突出，但由于学生信息管理工作内容繁多、数据庞大、数据来源格式不统一，在一定程度上给学生信息管理工作带来了困难。改进型Apriori算法在关联规则、数据挖掘技术的基础上更加具有针对性、准确性和优越性，这为基于改进型Apriori算法在学生管理系统中的应用提供了可能，有利于提高学生管理的效率和质量。 　　关键词：Apriori算法；关联规则；学生成绩 　　中图分类号：TP311.5 　　文献标识码：A 文章编号：1672-7800（2015）003-0059-02 　　0 引言 　　目前，在学校管理工作中对于学生的信息管理越来越重视，但由于学生信息管理工作内容（如学生的资料、成绩、评估等）繁多、数据庞大、数据来源格式不统一，所以在一定程度上给学生信息管理工作带来了存储、查阅、分析等方面的困难。如何提高学生信息管理工作的有效性，积极发挥学生信息管理系统的辅助作用，并充分挖掘学生在校各门课程成绩中的有效规则，成为各大高校需要重点研究的课题。因此，本文提出了基于改进型Apriori算法构建课程成绩分析模型，以提高学生管理系统的功能性，促进高校办学质量的不断提高。 　　1 关联规则算法 　　关联规则，即借助数据挖掘技术从海量信息数据库中分析和提取出高频数据项，进而挖掘出项组之间存在的关系规则，以实现对资源的有效利用。在实际应用领域，关联规则的理念得到了广泛应用，对于提高领域的服务质量具有较大帮助，在此基础上相关研究者提出了关联规则算法。基于数据挖掘技术的关联规则算法是一种具有较强影响力的递推算法，在计算过程中以频集递推思想实现两个阶段的计算流程：①寻找出数据信息中的全部频集，以频集生成同时满足最小支持度与置信度的强关联规则；②排除最小置信度小于用户预定的生成规则，进一步搜索、扫描余下频集，对空间进行压缩、收缩操作，且需满足频繁项集置信度的不断提高。 　　若要在程序中实现关联规则，具体需要完成如下步骤：①设计一个类，使之能够包含各种项集；②进行PID对象的频繁项集判断，之后利用事务表存储方式完成SQL查询，以判断频繁项集是否满足标准；③构造Lu为频繁项集的非空真子集，然后计算连接步，连接成功便会产生k+1的候选项集，并计算得出该项集的支持度，判断和标记频繁项集的标准为：支持度最小支持度；④将全部频繁项集的Lu找出，并根据事务表计算出Lu的置信度，将计算出的置信度和最小置信度进行对比，判断符合要求的项集便可作为一条关联规则。 　　2 Apriori算法改进 　　在关联规则中Apriori是一种常用算法，通过一系列的改进可以优化Apriori算法。改进型Apriori算法的具体实现过程如下：首先，对各子项的出现次数进行统计，而后生成频繁“1-”项集；其次，求解出所有的频繁项集，具体求解步骤包括：①将频繁（n-1）1，n2项集与其它各项进行自然连接，进而生成n的候选项目集，在数组Pn中以升序方式存储候选项目集；②对二维数组进行扫描，以得出候选项“n-”集的支持度，在数组Pn中记录保存；③将支持度计数小于最小支持度Pn的行、列删除，直至求解出全部的频繁项集。最后，将最终的频繁项集中的所有非空子集的置信度求解出来，以生成最终规则。 　　实际上，Apriori算法的改进主要体现在3个方面： 　　（1）剪枝步的算法改进。根据Apriori的性质可以得出一个结论，即若是一个项目集符合频繁要求，则其全部子集也符合频繁要求，反之若为非频繁性，则其全部超集也属于非频繁性。通过连接Apriori算法生成了候选项集，并对候选项集的全部子集进行频繁集判断，然后进行剪枝以降低过程中的负荷，从而有助于候选项集生成速度的提高。 　　（2）程序改进。转化数据表中的数据，使之成为二维数组中的数据，则不需要在数据库中进行各数据的记录、搜索和判断，候选项集判断是否符合频繁项集要求的效率显著提高，从而进一步促进了程序运行效率的提高。 　　（3）当频繁集生成之后，将其没有关联的行与列删除，从而拓宽存储空间，以实现数据读取速度、算法运行效率的提高。 　　3 应用实例分析 　　高校要想实现对学生的科学、有效管理，必须全面了解学生的信息与表现，对学生有一个合理的综合评价，才能在管理学生过程中有一个正确的决策判断。因此，学科成绩、综合评测成为高校管理学生的重要依据，构建以这两方面信息为主的数据库模型，积极运用改进型Apriori算法进行挖掘和分析，是提高高校学生管理有效性的一个较好方法。本文以2009级机械工程专业毕业班学生为研究对象，基于毕业班学生的成绩建立原始数据库，运用改进型Apriori算法分析和挖掘这些原始数据，以挖掘出一些有利信息，为高校学生