２０１５年９月 中国管理信息化 Ｃｈｉｎａ Ｍａｎａｇｅｍｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎｉｚａｔｉｏｎ Ｓｅｐ．，２０１５ 第ｌ８卷第１７期 ＶｏＩ＿ｌ８．Ｎｏ．１７ 基于Ａｐｒｉｏｒｉ算法的数据关联规则在教务管理中研究 朱艳鹏．王晓权 （合肥工业大学（宣城校区）商学系，安徽宣城２４２０００） ［摘要］当今时代，数据已经渗透到各行各业，是真正有价值的资产。如何从海量的数据中提取有用信息。成为人们关注 的焦点。数据挖掘为人们提供了一种处理数据的智能技术 本文简述了关联规则挖掘的发展历程．并对数据挖掘中经典的 Ａｐｆｉｏｆｉ算法进行改进，来分析某些大学课程间的关联关系，旨在帮助高校更好地安排教学课程和计划。 ［关键词］数据挖掘；关联规则；Ａｐｆｉｏｒｉ算法；成绩分析 ｄｏｉ：１０．３９６９／ｉ．ｉｓｓｎ．１６７３—０１９４．２０１５．１７．１２６ ［中国分类号】Ｇ６４；Ｃ９３９ ［文献标识码】Ａ ［文章编号】１６７３—０１９４（２０１５）１７—０２４４－Ｏ３ Ｏ 引 言 征，如何从这些海量的数据中挖掘出有用的信息以指导决策显 云时代来临，大数据也引起了越来越多的关注。大数据具有 得至关重要。目前，我国各高校普遍采用教务管理系统对学生成 Ｖｏｌｕｍｅ（：：￣：２）、Ｖａｒｉｅｔｙ（多样）、Ｖｅｌｏｃｉｔｙ（高速）、Ｖａｌｕｅ（值）的特 绩等信息进行管理。对于动辄上万人的高等院校来说。随着时间 的积累，教务管理系统中必然存在着大量的数据．遗憾的是。这 ［收稿日期］２０１５—０６—０５ 的支持体系．在三者的共同作用下更好地促进了大学生创业的 本，形成创业集群效应，降低创业风险。创业孵化器是提高大学 成功率。特别是社会投资，在发达国家社会投资是大学生创业体 生自主创业成功率的有效平台．应鼓励社会多方力量积极 系建设的重要力量．是大学生创业资本的主要来源之一 借鉴德 参与大学生自主创业孵化器的建设．充分整合各类资源，依托各 国的经验，我国也可以由、高校和民间组织共同作用，打造 地区适合大学生创业项目集中孵化的特色工业园区、大学科技 一个由、高校、银行、中介机构、民间组织等多组织部门协同 园、ｊｊ￣－ｒ贸易梯度转移产业基地等场所．建立大学生自主创业孵 大学生创业企业入驻 作用的。高效的创业支持平台。通过该平台整合各方的资源，真 化基地，并积极引导社会力量参与提供咨询、物业等服务．吸引 正起到促进大学生自主创业的作用．提高大学生自主创业的意 愿．扩大大创项目的宣传和影响力。并动员社会更多的企业单 ８ 设计合理的创业评估机制 位、社会团体以及个人参与对大学生自主创业的支持．特别是鼓 创业扶持体系 ７ 加强创业信息平台和大学生自主创业孵化器建设 为了保障大学生自主创业项目的有效实施．应该设计合理 察，包括对创业教育、创业财政金融等各方面的评估： 励有雄厚资金实力、有丰富投资经验的风投基金等，参与大学生 的评估机制。①对所制定的创业要进行全面广泛的考 ②要对大学生自主创业项目的内容进行合理评估．比如在创业 在高速发展的信息社会．特别在当前利用互物网或物联网 预备和创业实施阶段．要确定创业项目的收益水平和受益程度． 进行全民创业的时代．创业信息平台的建设对大学生自主创业 要测度实施的效用程度和实施的自身成本等；③对项 有重要的促进作用 建议部门重视对大学生创业信息平台 目的评估应该贯穿于创业活动的整个过程．初期要对项目的策 的建设。大力打造集专业服务、管理决策、成果转化等多项功能 划书、项目组核心成员、项目前景、成本以及受益进行评估．中期 于一体的创业信息平台．重点引导和培育效益高、示范作用强的 要对项目实施过程、项目管理、市场开拓，以及项目负责人的能 大学生创业服务中心 力进行客观评估。后期是要对项目的整体效益进行测评。为了使 一个完备的创业服务中心．笔者建议其具体功能应包括以 项目评估更加科学．还应该引进社会第三方评价主体．比如咨询 下几方面：①要建立大学生创业者信息管理服务系统，就大学生 公司、第三方评估机构等。 创业所面临的问题提供及时有效的后续服务和跟踪指导；②要 建立创业项目资源库，构建创业信息、发布平台．实现区域 联网和资源同步共享．重视创业项目库的动态维护，力求做到信 我国大学生就业支持供需分析［Ｊ］．中国青年研究，２０１４（６）． 息对称，降低创业成本，提高项目成功率；③要完善项目开发、征 ［１］靳敏．２０１４年中国大学生就业报告［Ｍ］．北京：社会科学文献 集、论证、展示和推荐的工作机制，确立大学生创业服务的规范， ［２］麦可思研究院．出版社．２０１４． 面向大学生创业者公布各项行政审批、核准、备案事项和办事指 主要参考文献 南．并为创业者提供项目信息、咨询、小额贷款、代办手续等 ［３］赵建国，么晓敏．大学生就业扶持的有效性分析及改进：基于 “～站式”服务．提高创业服务的效率 此外．要加强大学生自主创业孵化器建设。具体而言．应当 ＤＥＡ方法的实证分析［Ｊ］．数学的实践与认识，２０１３（６）． ［４］周海涛，董志霞．美国大学生创业支持及其启示［Ｊ］．高等教育研 究，２０１４（６）． 加强我国创业基地、科技孵化器等创业集群建设。集聚社会资 ２４４｜ＣＨＩＮＡＭＡＮＡＧＥＭＥＮＴ ＦｏＲＭＡＴｌｏＮｌｚＡＴｌｏＮ 教育教学研究 ３ 关联规则在成绩分析中的应用 行转换．课程名称由中文名称转换为英文替换代码（如运筹学转 化为Ｃｏｕｒｓｅ３），学生成绩由百分制转换为等级制，［１００，９ｏ］转化 ３．１数据准备 本文选择安徽省某高校商学系教务管理系统中学生成绩作 为Ａ，［９０，８０］转化为Ｂ，以此类推，６０分以下记为Ｅ。特别地，补 为研究对象．时间跨度为２０１２年９月一２０１４年６月。从中选取 考通过记为Ｄ．补考未通过记为Ｅ。ｉｏｆｉ算法及生成关联规则 概率论与数理统计、线性代数、运筹学、统计学原理、计量经济 ３３应用Ａｐｆ学、财务管理、投资学原理等经管类核心课程成绩，将该系１０２ 依据改进后的数据挖掘流程．对经过预处理的数据应用 Ａｐｆｉｏｆｉ算法生成侯选集．然后基于侯选集。根据给定的最小支持 度判断并确定频繁项集。同时从频繁项集产生简单关联规则，然 名学生上述７门成绩作为关联规则挖掘的原始数据信息 ３．２数据预处理 数据预处理包括数据清理、数据集成、数据变换、数据消减 后根据指定的最小置信度阈值选出强关联规则．对这些关联规 进而对过滤出的规则进行分析。 等过程。教务管理系统中成绩数据主要问题在于存在缺失值。以 则只选取提升度大于１的规则．及补考成绩只记为通过或者不通过。针对上述情况．采用忽略元 本文中最小支持度为０．１。最小置信度定为０．８。 组的方法进行数据预处理 同时出于方便数据挖掘之目的．对学生成绩和课程名称进 表１生成关联规则表 本例中．所得结果见表１。 规则ＩＤ １ 前项 Ｃｏｕｒｓｅ４＝Ａ Ｃｏｕｒｓｅ１－－Ａ Ｃｏｕｒｓｅ２＝Ａ 后项 Ｃｏｕｒｓｅ７＝Ａ 实例 ｌ３ 支持度／％ １２．７ 置信度／％ １００ 提升度 ５．１ ２ Ｃｏｕｒｓｅ３＝Ａ ３ ４ ５ Ｃｏｕｒｓｅ１－－Ａ Ｃｏｕｒｓｅ４＝Ｂ １２ Ｃｏｕｒｓｅ１ Ａ Ｃｏｕｒｓｅ３＝Ａ Ｃｏｕｍｅｌ＝Ａ Ｃｏｕｒｓｅ３＝Ａ Ｃｏｕｒｓｅ７＝Ａ Ｃｏｕｍｅ２＝Ａ Ｃｏｕｒｓｅ２＝Ａ Ｃｏｕｒｓｅ７＝Ａ ｌ１ １２ ｌ１ ｌ１ １Ｏ．８ ｌ１．８ １０．８ １０．８ ｌ０ｏ ９２ ９１ ９１ ５．１ ２．８３ ２．８１ ４．６４ ３．４数据挖掘结果分析 依据数据挖掘产生的结果．结合选定各门课程的性质进行 分析。可以得到如下结论： （３）从教务管理部门角度，教务管理部门应该合理控制、安 排基础课程和专业课程的开课顺序、间隔时间等，同时不能够一 味压缩专业课程或基础课程的课时量．致使课堂教学学时不足、 （１）数学基础课程成绩关联密切，可以根据规则８看出，“概 学生掌握知识深度不够．给后续学习造成不便。 率论与数理统计”成绩为“优”与“线性代数”成绩为“优”关系支 ４ 结束语 持度和置信度高．且提升度也较高．因此根据数据挖掘结果可以 得出数学基础课程关联较为紧密 （２）数学基础课程成绩优异是统计学和投资学成绩优异的基 本文由当前高校教务管理中广泛遇到的数据得不到有效利 用，无法为师生、教学管理服务的问题出发，建立关联规则数据 挖掘流程．对选定的数据进行关联规则挖掘．并对结果进行分析 础。根据规则２、规则５可以得出，对于统计学、投资学这两门需 及提出相应的对策 要较多数算的学科．数学基础课程的学习和运算能力对学 习这两门专业课产生重要影响 本文主要完善了关联规则数据挖掘流程．特别是将提升度 加入模式识别．使其区别于以往Ａｐｒｉｏｒｉ算法中“支持度一置信 （３）运筹学和财务管理这两门管理类学科需要较好的数学 度”的框架．剔除无趣的关联规则，使结果更为可靠。最后根据挖 基础 从规则４中．可以看出基础课程较好的学生在这两门课中 表现优异．反之亦然 掘结果从不同角度提出相应的建议和对策。 ３．５数据挖掘结果启示 主要参考文献 （１）从学生角度．商学系学生如果希望能够在专业课程中有 较为出色的表现。必须掌握数学基础课程，夯实数学基础，进而 具备在专业课表现优秀乃至继续深造的可能性 （２）从教师角度．数学基础教师应该在严格要求学生学好基 ［１］Ｊｉａｗｅｉ Ｈａｎ，Ｍｉｃｈｅｌｉｎｅ Ｋａｍｂｅｒ．Ｄａｔａ Ｍｉｎｉｎｇ：Ｃ０ｎｃ ｐｔｓ ａｎｄ Ｔｅｃｈｎｉｑｕｅｓ ［Ｍ］．北京：机械工业出版社，２０１２：１５７—１８３． ［２］Ｘｉｎｄｏｎｇ Ｗｕ，Ｖｉｐｉｎ Ｋｕｍａｒ．ｒＩ’ｌＩｅ Ｔｏｐ Ｔｅｎ Ａｌｇｏｒｉｔｈｍｓ ｉｎ Ｄａｔａ Ｍｉｎｉｎｇ［Ｍ］． 北京：清华大学出版社，２０１３：５６—７２． ｒ３ １Ｅｆｒａｉｍ Ｔｕｒｂａｎ ｌ￣Ｌｍｅｓｈ Ｓｈａｒｄｓ Ｄｕｒｓｕｎ Ｄｅｌｅｎ．Ｂｕｓｉｎｅｓｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ａ 础课程的同时．将专业课中案例等与基础课程相结合，使其认识 到基础课程的重要性并感受到基础课程的魅力。而专业课老师 则应该在教学过程中适当补充相应的数学基础知识．而不是默 认学生们都已学过相关课程而不再讲解 ｍａｎａｇｅｔｉｃａｌ ａｐｐｒｏａｃｈ［Ｍ］．北京：机械工业出版社，２０１２：１２８—１３０． 『４］姜晚云．关联规则在成绩分析中应用研究［Ｄ］．合肥：合肥工业大学， ２ｏｏ６． ２４６，ＣＨＩＮＡ ＭＡＮＡＧＥＭＥＮＴＩＮＦＯＲＭｌＡ丁ＪＯＮＬ乙ＡＴＩＯＮ
