Ｄａｔａ Ｂａｓｅ Ｔｅｃｈｎｉｑｕｅ・数据库技术 基于Ａｐｒｉｏｒｉ算法的高校学生成绩数据关联规则挖掘分析 文／周兴旺 （ｋ—１）次遍历中找到的大项集Ｌ ｋ．１和Ａｐｒｉｏｒｉ． 预测学生哪一部分成绩还需要进一步加强。 采用关联系规则对学生成绩进行数据挖掘，通 过数据仓库查看各个专业学生课程成绩单，并 分析各个课程与其他课程之间的关联和影响， 从而制定专业的人才培养计划。在制定计划的 时候，依次从公共课、专业课到拓展课等方面 设置相关课程。不同的专业开设课程的时间不 同，开课时间次序对学生学习后续课程会产生 一高校在长期的教学管理过程 中积累了海量的学生成绩信息， 但是普遍的对于成绩的分析处理 工作还停留在简单的查询、分析 扣统计阶段。本文利用关联规则 Ａｐｒｉｏｒｉ算法，以学生成绩数据为 研究对象，挖掘课程之间的相互 关系，为科学的制定人才培养方 案，提高高校人才培养质量进行 了积极地探索与研究。 ｇｅｎ函数产生候选项集。接着扫描数据库，计 算中候选的支持度，从而得到中的支持度不小 于最小支持度的ｋ阶大项集。重复以上步骤， 直到某一阶的大项集为空时，算法停止。 Ａｐｒｉｏｒｉ算法指导我们，如果要发现强关 联规则，就必须先找到频繁集。所谓频繁集， 即支持度大于最小支持度的项集。如何得到数 据集合Ｄ中的所有频繁集呢？ 用一种非常原始的办法来分析，就是对于 定的影响。但是过去很多高校在课程安排上 比较随意，通常都是高校教务处的人根据过去 的教学经验和主观认知，安排学生的课程时间。 然而每一门课程都有它的特点，比如体育课学 生可能需要大量的运动，消耗的体能比较多， 运动过后学生无论精神上还是身体上都比较疲 惫，这个时候上课的效果就不太好，所以在安 排课程的时候，尽量将体育课安排到下午的时 间段，这样不会学校其他课程的教学效果。通 过关联性分析，找出每一门课程的影响因素， 合理安排课程的先后顺序，为人才方案制定者 提供科学的决策依据。 我们从教务管理系统中选取１０００名软件 技术专业学生的成绩，根据学生成绩进行数据 挖掘，部分成绩数据如表ｌ所示。 根据学生考试成绩表，分析学生不及格 科目之间的关系，６Ｏ分以下的设置最小支持 【关键词】成绩分析关联规则Ａｐｒｉｏｒｉ算法 数据集Ｄ，遍历每一条记录Ｔ，可以得到Ｔ的 所有子集，然后计算每一个子集的支持度，最 后再将结果与最小支持度比较。我们暂且不管 数据集Ｄ中有多少条记录，就说每一条记录Ｔ １数据挖掘 数据挖掘其实就是从大量、有噪声、随 机性、不完全、模糊的应用数据中，提取并隐 藏在应用数据中心、人们不知道但是有价值的 的子集个数，｛ｌ，２，３｝的子集有｛１｝，｛２），｛３｝， ｛１，２｝，｛２，３｝，｛１，３｝，｛１，２，３｝，即如果记录Ｔ 中含有ｎ项，那么它的子集个数是。１。计算量 是非常大的，很明显这种方法是不可取的。 因此，Ａｐｒｉｏｒ算法提出了一个逐层搜索的 方法，如何逐层搜索呢？包含两个步骤： （１）自连接获取候选集。第一轮的候选 信息和知识的过程，通过数据挖掘系统能够自 动分析原有数据，并作出归纳总结，挖掘出数 据原有的模式，为决策者提供参考价。数据挖 掘包括数据仓库、预处理、分类聚类、关联分 集就是数据集Ｄ中的项，而其他轮次的候选 析等。关联分析是数据挖掘最贴近我们生活的 集则是由前一轮次频繁集自连接得到（频繁集 一部分了，登录亚马逊网站，当我们挑选一本 （（Ａｎｄｒｏｉｄ４高级编程》时，网站会不失时机的 由候选集剪枝得到）。 （２）对于候选集进行剪枝。如何剪枝呢？ 列出你可能还会感兴趣的书籍，如Ａｎｄｒｏｉｄ游 戏开发、Ｃｏｃｏｓ２ｄ—ｘ引擎等，让我们的购物车 变得更充实，而钱包又空了些。 数据挖掘是一门综合了统计学、信息技 术、人工智能等多项技术。其中数据挖掘聚类 和决策树则是机器学习理论知识。关联性规则 挖掘技术对数据挖掘技术具有非常重大的意 义，它进一步扩展了数据挖掘的研究，到如今 已经成为了数据挖掘领域中的一个分支。关联 性规则不仅体现数据之间的关联，更为重要的 是关联系规则的表达简洁，便于理解，近年来 已经成为数据挖掘技术研究领域的热点话题。 候选集的每一条记录Ｔ，如果它的支持度小于 度为０．０４。设置关联规则的参数，将成绩范围 最小支持度，那么就会被剪掉：此外，如果一 条记录Ｔ，它的子集有不是频繁集的，也会被 剪掉。 算法的终止条件是，如果自连接得到的 已经不再是频繁集，那么取最后一次得到的频 繁集作为结果。 设定为０至５９，最小支持度为Ｏ．ｏ４。 使用Ａｐｒｉｏｒ算法对数据仓库中的相关数 据进行关联规则分析，结果如表２所示。 通过对１０００名软件技术专业的学生６０ 分以下成绩进行数据挖掘，发现学生的电路分 析和高等数学两门科目的置信度是０．５ｌ，Ｃ＋＋ 程序设计这门课程的置信度是Ｏ．４０。根据图表 各个课程的置信度可以得出结论。如果学生在 大一阶段的基础课程如高等数学学习成绩比较 差，那么学生的电路分析和ｃ＋＋程序设计两 ３教务管理系统中的学生成绩数据挖掘 学生的考试成绩不仅体现了学生阶段性 的学习效果，而且是检验学校教学效果的重要 依据。为了提高学校教学质量，所以必须对学 生的考试成绩进行数据挖掘，挖掘出学生考试 门科目的学习成绩也会不太好，不及格的概率 比较大。相对来说，如果高等数学和电路分析 两门课程的置信度达到了０．３５，那么对学生的 ２关联规￣ｌＪＡｐｒｉｏｒｉ算法 Ａｐｒｉｏｒｉ算法是关联规则算法之一。 Ａｐｒｉｏｒｉ算法的第一遍仅仅计算每个项目的具 体指的数量，以确定大型ｌ项集。随后的遍历， 成绩背后的关键性因素，可以从学生的性别、 专业、课程、入学成绩、老师对学生的考核评 价等因素为切入点，分析这些因素对学生成绩 电路分析和ｃ＋＋程序设计两门科目的学习成 绩影响不大。那么可以得出这样的结论，电路 分析课程开设在高等数学这门课程之后。通过 产生的影响，并找出各个要素之间的潜在规律， 第ｋ次遍历，包括两个阶段。首先，使用在第 从而分析出影响学生考试成绩的主要因素，并 以上分析，我们可以得出，将一些基础课程作 ・基金项目：江苏高校哲学社会科学研究基金指导项目一基于数据挖掘技术的高职院校教务管理系统决策分析研究（２０１４ＳＪＤ６４１）。 Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ＆Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ电子技术与软件工程・１ ５３ 数据库技术・Ｄａｔａ Ｂａｓｅ Ｔｅｃｈｎｉｑｕｅ 为专业课程的前导课程，能够为学生后期学习 打下坚实的基础；如果学生的基础知识学习不 好，那么对专业课程的影响也很大，专业课程 的学习和基础课程有直接关系。研究影响学生 成绩优秀的课程之间的关系，８０分以上设置 最小支持度为０．Ｏ４。设置关联规则的参数，设 表１：学生成绩表 定分数范围８Ｏ至１００，最小支持度为Ｏ．０４。 利用关联规则产生如表３所示的数据挖 掘结果。 通过对软件技术专业考试成绩在８Ｏ分以 上学生进行数据挖掘，发现专业英语和大学英 语两门课程的置信度是０．６２，从中我们可以得 出结论，如果学生的英语基础成绩比较好， 那么学生的大学英语成绩也相对来说没有什 么问题，学生的专业英语成绩分数也相对比较 高。数据结构和ＣＨ程序设计两门课程是计 算机专业的专业基础课堂，两门课程的置信度 Ｏ．５１ ０＿３５ Ｏ－３９ Ｏ－３２ ０．４９ ０．４４ ０．４０ Ｏ＿３６ 是Ｏ．６４，从课程的置信度可以看出这两门课程 对专业学习数据结果的影响，如果学生的数据 结构这门课程学习成绩比较好，那么学生Ｃ＋＋ 高等数学一电路分析 电路分析一高等数学 高等数学一Ｃ＋＋程序设计 ｃＨ程序设计一高等数学 高等数学一大学英语 大学英语一高等数学 高等数学一微机原理 微机原理一高等数学 程序设计这门课程的学习成绩也比较好。从以 上分析来网页设计和制作与ｐｈｏｔｏｓｈｏｐ图像处 理两门课程的置信度是０．６８，从中可以看出 ｐｈｏｔｏｓｈｏｐ图像处理课程对网页设计和制作有 很大影响。网页制作的时候，需要ｐｈｏｔｏｓｈｏｐ 图形图像处理软件对图片进行处理和调整。所 以ｐｈｏｔｏｓｈｏｐ图像处理课程可以设置在网页制 作课程之前，以便学生在学习网页制作的时候， 能够用ｐｈｏｔｏｓｈｏｐ软件对图片进行处理。 从上述内容我们可以看出，高校专业课 程之间的关联性很强，从学生考试成绩就可以 看出，因此在学校开设课程的时候，一定要考 虑课程关联性影响，按照对学生影响大小制定 开设课程的次序。并作为学校培养人才的重要 依据。 的学生也可以考出良等的考试成绩，这样就能 推翻过去传统理论上入学考试成绩好的学生， 在大学的学习成绩也会很好，如果入学成绩不 好的学生，在大学的成绩肯定不好的这种理论。 通过关联性分析，可以看出学生入学成绩的好 坏与学生大学成绩的好坏并没有必然的联系。 ［３】何炎样．关联规则的几种开采算法及其比 较【Ｊ】．小型微型计算机系统，２００１（０９）． 【４】赵俏．高职院校教务管理中的数据挖掘 ｆＪ】．科技信息，２００８（１１）：８０，９５． 此外在对学生成绩进行数据挖掘的时候， 还要考虑到学生入学成绩和整体考试成绩，经 学生的入学成绩录入系统，并对学生所有课程 ［５】杨克松．论关联规则在高校选课系统中的 应用【Ｊ】．福建电脑，２００７（１ ｏ）：１６６－１６８． ［６】周培德．算法设计与分析【Ｍ】．北京：机 械工业出版社，１９９６． 考试成绩综合分析，算出平均成绩，按照平均 大学自由的学习气氛给学生的学习创造了良好 成绩划分优秀、良、差等不同等级，将入学成 的环境，如果学生抓住这个机会，自主学习， 绩也分为优、良、差等不同等级，挖掘出入学 那么就能获得好的成绩，如果还是秉承按照高 成绩和考试成绩之间的关联。 中阶段的学习思维，那么可能学生不利于学生 成绩关联性数据挖掘结果如表４所示。 的学习。 作者简介 周兴旺（１９７９－），男，江苏省扬州市人。工 ４结论 学硕士学位。现为南通科技职业学院讲师。主 参考文献 从上述结果得出，如果学生的入学成绩差 和考试成绩优的置信度是Ｏ．４１，这就表明如果 学生的基础比较差，那么在大学的考试成绩好 的可能性不大。如果学生的入学成绩差和考试 成绩优的置信度是Ｏ．６５，那就表明基础成绩差 要研究方向为计算机网络技术、数据挖掘、教 …１王少华等．关联规则在高校系统中的应用 ［Ｊ】．福建电脑，２００７（１２）：１５ ３－１ ５６． 育教学管理等。 【２】王能斌等．大学课表调度系统ＵＴＳＳ［Ｊ】． 计算机学报，１９８４（Ｏ５）：３８３－３８９． 作者单位 南通科技职业学院江苏省南通市 ２２６００７ １５４・电子技术与软件工程Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ＆Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ
