论文部分内容阅读
各高校的教学评价系统积累了大量的数据,多数仅被用来进行简单数据统计与查询,而真正隐含其中的有用信息却很少得到利用,因此可以通过数据挖掘得出有效信息。关联规则是数据挖掘的主要研究内容之一,通过历史数据来找出某些隐性的规律,能够较好地解决各行业数据爆炸而知识匮乏的问题,并且能够挖掘出针对不同用户更为有效的不同规则。因此如何找出更有价值的规则引起了人们的广泛关注。本文针对高校教评中存在的问题,在研究关联规则的基础上,提出了改进分析模型,对实际数据进行挖掘,得到了有效的分析结果。具体研究工作主要如下:
1、首先,针对传统的用户兴趣建模只是简单的在CB(Content-Basedfiltering)技术基础上应用CF(Collaborative Filtering)技术且只考虑了用户之间的相似性,提出了一种基于用户兴趣的权重推荐模型,该模型不仅考虑用户之间的相似性,而且从构成内容各个属性对用户的深层影响进行考虑。从深层次的揭示了对用户影响最相关的项目。
2、其次,提出一种基于用户兴趣权重模型的改进关联规则算法——MWFP。通过在原有的FP-TREE算法基础上增加用户兴趣权重,既起到了数据降维的作用,又能从用户分类的角度找到适合不同用户的不同规则。由于权重的作用,增加了一些支持度小但是权重大的规则的发现。相反,一些支持度虽然高,但是权重小的规则则被剪枝。在挖掘过程中,新算法用来挖掘的数据矩阵是基于用户兴趣的、潜在行为的数据,而不只是像原算法基于评价结果的历史数据,既可以避免一些冗余的规则,又增大了用户潜在行为规则的支持度。实验结果证明了挖掘效率和效果的优越性。
3、最后,将MWFP算法应用到某高校教学评价中,从教学评价数据中进行基于用户权重推荐模型的关联规则挖掘,为教学部门提供了决策支持信息,提高教学质量,促使学生能够保持良好的学习状态。
实验及应用结果表明,本文提出的改进的FP-TREE算法不仅在效率上有所提高,而且针对不同类学生得出有效的关联规则,即增加了针对比例比较小的一类学生而产生的规则被挖掘出来的几率。拓展了传统的教学评价应用的挖掘思想,分别从学生信息和教师信息两个方面进行考虑,找出具有用户特点的规则。不同于传统的思想,只是基于教师信息进行挖掘指导,并且挖掘出的规则只是针对大部分学生评价结果的频繁项集得出的。将本方法应用于实际中,有着明显的结论改进,为教学评价的客观性和教学指导提供了了比较价值的参考信息。