基于自适应学习系统的序列挖掘算法的研究

论文摘要

由于传统的远程教育形式比较单一,只注重视教而忽略学,从存在着在教学双方的互动性比较差问题,这已经远远不能满足学习者的需求。以学习者为中心的学习方法,越来越引起教育研究者的重视。为了解决远程教育存在的问题,教育研究者提出采用自适应学习系统来解决这一问题。利用自适应学习系统,让计算机系统担任教师的角色,为学习者提供个性化的自主学习环境。由于我国网络教育起步较晚,所以其发展过程中存在很多问题,主要有以下几个方面:1.教学内容呈现的方式单一轻视学习环境设计。2.自主学习资源不足。3.动态交互功能不强。4.针对性、智能性较低,缺乏有效的授导机制。为了解决以上问题,本文提出应该不断加强自适应学习系统的建设,以完善自适应学习系统的功能。进而提高自适应学习系统的智能,增强自适应系统对学习者学习的引导。自适应学习系统的关键问题就是学习者特征分析。学习者特征分析的核心是对个性化学习规律的研究。个性化学习规律研究的关键就是对学习者的学习方式和学习内容的选择策略的研究。,本文给出了自适应学习系统的框架结构,重点研究了自适应学习系统中的学习者特征分析模型。学习者特征个性化学习规律挖掘实际上是对流数据进行挖掘。目前流数据挖掘的主要挖掘模式是序列模式挖掘。本文对序列模式挖掘中AprioriAll算法进行了研究,针对AprioriAll算法的不足,提出了一个改进算法。改进算法通过减少数据库中序列集的数量来提高算法的效率。算法可以删除数据库中非频繁子序列与长度小于K的序列集,这样在扫描候选序列集的支持度的时候,可以减少在数据库中扫描的记录数,减轻了系统负担,提高了算法效率。

论文目录

• 内容提要
• 目录
• 第1章 引言
• 1.1 背景分析
• 1.2 自适应系统的研究现状及不足
• 1.3 序列模式挖掘的现状
• 1.4 本文的基本结构
• 第2章 自适应学习系统
• 2.1 自适应系统
• 2.1.1 自适应学习系统的概述
• 2.1.2 自适应学习系统的一般结构
• 2.1.3 自适应学习系统的功能
• 2.1.4 自适应学习系统的框架结构
• 2.1.5 自适应学习系统的模块介绍
• 2.2 学习者特征理论
• 2.2.1 学习者学习准备
• 2.2.2 学习者一般特征
• 2.2.3 学习者学习风格
• 2.3 学习者特征模型
• 2.3.1 对象模型描述
• 2.3.2 学习者模型
• 2.3.3 教学策略模型
• 2.4 个性化学习理论综述
• 2.4.1 个性化学习含义
• 2.4.2 目前个性化学习的含义
• 2.4.3 个性化学习的本质特征
• 2.4.4 基于网络个性化学习的优势
• 第3章 序列模式挖掘研究
• 3.1 数据挖掘理论基础
• 3.1.1 知识发现（Knowledge Discovery in Database，KDD）
• 3.1.2 知识发现的步骤
• 3.1.3 数据挖掘概念
• 3.1.4 数据挖掘技术的特点
• 3.1.5 数据挖掘技术的内容
• 3.1.6 数据挖掘的应用
• 3.1.7 数据挖掘发展现状和发展趋势
• 3.2 序列挖掘模式理论
• 3.2.1 数据源的形式
• 3.2.2 带交易时间的交易数据库
• 3.2.3 系统调用日志
• 3.2.4 Web日志
• 3.3 基本概念
• 3.4 序列模式挖掘参数
• 3.5 序列模式挖掘的一般步骤
• 3.6 ApprioriAll算法
• 3.7 DAprioriAll算法
• 3.7.1 dAprioriAll算法步骤
• 3.7.2 dAprioriAll算法描述
• 3.7.3 dAprioriAll算法实例说明
• 3.7.4 dAprioriAll算法性能
• 第4章 个性化学习规律支持模型
• 4.1 个性化学习规律模型设计
• 4.1.1 系统设计指导思想
• 4.1.2 系统特点
• 4.1.3 系统结构
• 4.1.4 系统分析
• 4.2 dAprioriAll算法在个性化学习规律支持模型中应用
• 4.2.1 数据预处理
• 4.2.2 生成大序列集
• 4.2.3 准确性评估
• 4.3 序列模式挖掘改进法在自适应学习系统中的应用分析
• 第5章 结束语
• 参考文献
• 基于自适应学习系统的序列挖掘算法的研究摘要
• ABSTRACT
• 致谢