| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究工作的背景和意义 | 第10-11页 |
| 1.2 教育数据挖掘的研究历史和现状 | 第11-13页 |
| 1.2.1 教育数据挖掘研究现状 | 第11-12页 |
| 1.2.2 教育数据挖掘中的基于学生行为分析的研究现状 | 第12-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 论文的结构安排 | 第14-16页 |
| 2 大学生在校数据分析及数据预处理 | 第16-34页 |
| 2.1 数据结构分析 | 第16-18页 |
| 2.2 数据分析 | 第18-25页 |
| 2.2.1 分析H校在校大学生的基本情况 | 第19-23页 |
| 2.2.2 分析H校在校大学生的成绩信息与基本信息的关联 | 第23-25页 |
| 2.3 数据清理及集成 | 第25-30页 |
| 2.3.1 缺失值和噪声处理 | 第25-28页 |
| 2.3.2 数据集成 | 第28-30页 |
| 2.4 数据变换与规范化 | 第30-31页 |
| 2.5 本章小结 | 第31-34页 |
| 3 大学生在校行为中规律的行为模式发现 | 第34-44页 |
| 3.1 规律的行为模式定义 | 第34-36页 |
| 3.2 图书馆的进馆次数和时长数据分析 | 第36-38页 |
| 3.2.1 图书馆总时长分析 | 第36页 |
| 3.2.2 进图书馆次数分析 | 第36-38页 |
| 3.3 一卡通和自习、图书馆借书数据分析 | 第38-42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 大学生在校行为轨迹的频繁序列模式挖掘 | 第44-56页 |
| 4.1 大学生在校行为分析 | 第44-45页 |
| 4.2 大学生在校行为轨迹的刻画 | 第45-46页 |
| 4.3 频繁序列模式挖掘 | 第46-54页 |
| 4.3.1 算法的主要思想 | 第46-49页 |
| 4.3.2 算法描述 | 第49-50页 |
| 4.3.3 算法实例 | 第50-53页 |
| 4.3.4 实验结果及对比 | 第53-54页 |
| 4.4 本章小结 | 第54-56页 |
| 5 基于成绩预测的学业预警 | 第56-68页 |
| 5.1 学业预警的定义 | 第56-57页 |
| 5.2 成绩预测模型在大学生在校行为数据中的应用 | 第57-62页 |
| 5.2.1 基于大学生静态属性的成绩预测模型 | 第57-59页 |
| 5.2.2 基于大学生规律属性的成绩预测模型 | 第59-61页 |
| 5.2.3 基于大学生动态属性的成绩预测模型 | 第61-62页 |
| 5.2.4 基于大学生组合属性的成绩预测模型 | 第62页 |
| 5.3 成绩等级划分 | 第62-63页 |
| 5.4 学业预警的应用 | 第63-65页 |
| 5.5 结果分析 | 第65-66页 |
| 5.6 本章小结 | 第66-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 工作总结 | 第68-69页 |
| 6.2 后续工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76页 |