數(shù)據(jù)挖掘在教學評價中的研究與應用.pdf

1、各高校的教學評價系統(tǒng)積累了大量的數(shù)據(jù),多數(shù)僅被用來進行簡單數(shù)據(jù)統(tǒng)計與查詢,而真正隱含其中的有用信息卻很少得到利用,因此可以通過數(shù)據(jù)挖掘得出有效信息。關聯(lián)規(guī)則是數(shù)據(jù)挖掘的主要研究內(nèi)容之一,通過歷史數(shù)據(jù)來找出某些隱性的規(guī)律,能夠較好地解決各行業(yè)數(shù)據(jù)爆炸而知識匱乏的問題,并且能夠挖掘出針對不同用戶更為有效的不同規(guī)則。因此如何找出更有價值的規(guī)則引起了人們的廣泛關注。本文針對高校教評中存在的問題,在研究關聯(lián)規(guī)則的基礎上,提出了改進分析模型,對實際

2、數(shù)據(jù)進行挖掘,得到了有效的分析結(jié)果。具體研究工作主要如下:
　　 1、首先,針對傳統(tǒng)的用戶興趣建模只是簡單的在CB(Content-Basedfiltering)技術基礎上應用CF(Collaborative Filtering)技術且只考慮了用戶之間的相似性,提出了一種基于用戶興趣的權重推薦模型,該模型不僅考慮用戶之間的相似性,而且從構成內(nèi)容各個屬性對用戶的深層影響進行考慮。從深層次的揭示了對用戶影響最相關的項目。
　　

3、 2、其次,提出一種基于用戶興趣權重模型的改進關聯(lián)規(guī)則算法——MWFP。通過在原有的FP-TREE算法基礎上增加用戶興趣權重,既起到了數(shù)據(jù)降維的作用,又能從用戶分類的角度找到適合不同用戶的不同規(guī)則。由于權重的作用,增加了一些支持度小但是權重大的規(guī)則的發(fā)現(xiàn)。相反,一些支持度雖然高,但是權重小的規(guī)則則被剪枝。在挖掘過程中,新算法用來挖掘的數(shù)據(jù)矩陣是基于用戶興趣的、潛在行為的數(shù)據(jù),而不只是像原算法基于評價結(jié)果的歷史數(shù)據(jù),既可以避免一些冗余的

4、規(guī)則,又增大了用戶潛在行為規(guī)則的支持度。實驗結(jié)果證明了挖掘效率和效果的優(yōu)越性。
　　 3、最后,將MWFP算法應用到某高校教學評價中,從教學評價數(shù)據(jù)中進行基于用戶權重推薦模型的關聯(lián)規(guī)則挖掘,為教學部門提供了決策支持信息,提高教學質(zhì)量,促使學生能夠保持良好的學習狀態(tài)。
　　 實驗及應用結(jié)果表明,本文提出的改進的FP-TREE算法不僅在效率上有所提高,而且針對不同類學生得出有效的關聯(lián)規(guī)則,即增加了針對比例比較小的一類學生而產(chǎn)