基于概念格的关联规则挖掘在分层次教学中的应用研究

论文摘要

数据库知识发现是当前人工智能研究中较为重要的一个领域,关联规则挖掘是数据挖掘中应用最广的。传统的Apriori算法能产生所有的关联规则,但数量庞大,冗余度高。Wille等在1982年提出的概念格是进行数据挖掘和规则提取的一种有效工具。在传统概念格上,本文设计了一个提取关联规则的算法。该算法并不是提取所有的规则,而是提取规则集中的一个子集,称为组规则产生集。与所有规则的集合相比,它的规模大大减少了,相应的挖掘效率提高了,但是从中仍可推出所有满足要求的规则。与传统的概念格上提取规则算法相比,该算法最终不生成每个规则的支持度、信任度,仅生成满足最小支持度、信任度的所有规则,但规则产生集的规模更小了,对于大型数据库中的低信任度挖掘情况(规则数量多)可产生较少的规则产生集。这样,提供给用户的是较少的而且是容易理解的规则的集合,用户可以根据自己的兴趣有选择地从产生集中推导出他需要的规则。存储规则所用的存储空间小,同时可提高推导规则时查找规则的速度。在产生组规则产生集的基础上,本文给出了一种存储组规则产生集的数据结构和用该用组规则产生集推导出一般规则产生集的算法;同时根据系统需要设计了基于学生成绩类数据库进行挖掘的关于项集的确定方法、从规则产生集中得到单一后项规则的算法。本文使用改进的基于概念格的关联规则提取算法建立计算机专业课程分层次教学模型,确定相关课程对专业课程学习能力的影响权重,设计基于计算机应用技术专业的分层次教学分析系统。为职业院校在专业课程中推行分层次教学提供决策依据。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 知识发现与数据挖掘
• 1.2 研究背景
• 1.3 国内外研究现状
• 1.3.1 数据挖掘的研究现状
• 1.3.2 概念格的研究现状
• 1.3.3 数据挖掘在高校教学中应用现状
• 1.4 本文主要工作及组织结构
• 1.5 小结
• 第二章 关联规则与概念格
• 2.1 关联规则的理论基础
• 2.1.1 关联规则挖掘问题的提出
• 2.1.2 关联规则的基本概念
• 2.2 概念格及其扩展模型
• 2.2.1 传统的概念格
• 2.2.2 概念格扩展模型
• 2.3 利用形式概念分析约简关联规则
• 2.3.1 形式概念分析与关联规则框架
• 2.3.2 用于精确关联规则的Duquenne-Guigues 基
• 2.3.3 用于近似关联规则的Luxenburger 基
• 2.4 经典关联规则挖掘算法及分析
• 2.4.1 Apriori 算法
• 2.4.2 FP-增长算法
• 2.5 小结
• 第三章 基于概念格的关联规则提取算法研究及改进
• 3.1 基于概念格的关联规则挖掘研究
• 3.1.1 基本概念和定理
• 3.1.2 基于概念格的关联规则挖掘的思想
• 3.1.3 传统的概念格上关联规则提取算法
• 3.2 基于概念格的关联规则提取算法改进
• 3.2.1 算法的提出
• 3.2.2 算法的描述
• 3.3 由组规则产生集推导出一般规则产生集的算法和理论证明
• 3.3.1 由组规则产生集推导出所有规则的理论证明
• 3.3.2 实例描述
• 3.3.3 从组规则产生集导出一般规则产生集的算法
• 3.4 存储组规则产生集的数据结构
• 3.5 从规则产生集中得到单一后项规则的算法
• 3.6 小结
• 第四章 基于概念格的关联规则挖掘在分层次教学中的应用
• 4.1 应用背景
• 4.1.1 问题的提出
• 4.1.2 分层次教学
• 4.2 需求分析
• 4.3 系统设计
• 4.3.1 设计原则
• 4.3.2 系统结构
• 4.3.3 总体设计
• 4.3.4 数据挖掘模块设计
• 4.3.5 系统运行环境
• 4.4 挖掘过程
• 4.4.1 利用改进算法挖掘量化关联规则确定权重的基本思想
• 4.4.2 确定权重的详细步骤
• 4.4.3 利用基于加权距离的CLARANS 算法分层次
• 4.4.4 实验结果
• 4.5 交互模块实现
• 4.5.1 用户登录页面
• 4.5.2 学生调查页面
• 4.5.3 信息反馈页面
• 4.6 小结
• 第五章 挖掘结果分析与评价
• 5.1 影响挖掘结果的因素
• 5.2 挖掘结果分类
• 5.3 挖掘结果分析
• 5.4 相关性研究对教育的指导意义
• 5.5 小结
• 第六章 结束语
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 作者攻硕期间取得的成果