关联规则挖掘算法在学生素质测评系统中的应用研究

【摘要】：目前学生管理信息化研究的重要方向之一便是如何发掘学生数据中潜在的知识,充分发掘系统中数据的价值,从而帮助决策者管理与调整,最终达到高效、个性化的培养出新时代人才的目的。而关联规则挖掘算法可以从大量数据中发现学生在各项成绩、活动、实践、心理等数据的关联性,揭示在学生培养、教学中存在的问题。通过挖掘结果,可以对学生成长进行预测,对学生进行科学的评价,并且可以充分考虑到不同学生的特点,进而提供更加个性化的教育,进一步达到针对每一个学生的性格特点、学习情况、生活规律,量身定制的目的。本文改进关联规则挖掘算法,并在完善学生素质测评模型的基础上进行了分析研究,主要内容如下:首先,研究关联规则挖掘算法,分析了FP-growth算法优缺点,针对学生素质测评系统数据库的特点,在增量挖掘方面对现有的高效算法做出改进,使得算法更适合素质测评这种每学期进行一次的递增数据形式。最后与现有增量挖掘算法作比较,实验结果表明改进后的算法在增量挖掘方面,结果准确且效率更高。其次,分析了学生素质测评指标,采用基于G1法的层次分析法计算素质测评评价指标的权重,构建了学生素质测评模型。用G1法弥补层次分析法在计算过程上的繁复和有可能出现的偏差,使赋权计算更加高效、指标权重更为科学准确,为之后的测评结果的准确性提供更可靠的保证。最后,根据上文构建的素质测评模型设计与实现素质测评系统,收集整理近年来的学生测评数据,对数据进行预处理后,用改进的FP-growth算法挖掘学生素质能力之间的潜在规则。实验证明,德育、智育、创新、文体和综合测评之间存在这各种潜在关联规则,这些规则可以应用到平时的教学管理中,为学生和管理者提供客观科学的指引,引导学生全面发展,指导管理者适时调整管理手段和管理方向。
【关键词】：关联规则 FP-growth 学生素质测评 层次分析法 G1法
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP311.13