大数据环境下高校学生行为综合分析研究

摘要

随着信息化建设的不断完善，中国绝大多数高校已经开始着手建设数字化校园，这项建设为全体师生和学校管理人员都带来了极大的便利。学校管理人员可以利用数字化校园的办公系统进行事务的处理，大大提高办理事务的效率；学生可以利用数字化校园系统办理入学、注册、离校等事务，为学生的日常生活提供便利。随着数字化校园的建设，高校每天都会产生海量的数据，其中学生产生的数据所占的比重较大，学生产生的数据包括成绩，借阅书籍信息，宿舍门禁刷卡信息，校园网充值记录以及校园一卡通消费数据，其中消费数据包含食堂消费和校园超市消费记录。对学生产生的行为数据进行分析发现他们在校期间的一些行为特征，利用这些特征能够对学生的管理提供更为科学的依据。 本文研究利用兰州理工大学学生的成绩信息，图书借阅信息以及校园一卡通消费信息等数据。首先对原始数据进行数据预处理操作，让经过处理的数据能够满足数据分析的基本要求，然后采用数据离散化的技术对预处理后的数据进行离散化使得数据能够满足关联规则Apriori算法的要求。最后利用Apriori算法挖掘学生的学习成绩，图书借阅量和校园一卡通消费金额之间的相关性，揭示学生各行为之间的关联性。利用强关联性对学生的行为进行预测和警示，为学生管理者提供科学的决策。 其次利用基于划分的K-means聚类算法对学生的行为进行聚类分析，挖掘学生成绩与借阅数量，成绩与消费额度，借阅数量与消费额度之间的关系。在再利用K-means聚类算法分析的过程中发现成绩优异学生和成绩不合格学生的行为有较为明显的区别，为了进一步发现这两者之间的区别，利用基于密度的DBSCAN聚类算法分别对成绩优异和成绩不合格的学生进行聚类分析，发现成绩优异的学生和成绩不合格学生在校的行为特征，聚类结果显示成绩优异学生消费额度较为稳定，经常在校食堂就餐并且借阅书籍量较多，成绩不合格的学生消费额度不固定，不经常在校食堂就餐并且借阅数量较低。最后根据聚类结果对助学金和奖学金的发放提供重要依据，对于成绩不合格学生进行警示，也为学校的管理者提供科学的决策依据，为学生的健康发展提供良好的指导。

目录

声明

插图索引

附表索引

第1章 绪论

1.1 研究背景及意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 国内研究现状

1.2.2 国外研究现状

1.3 研究内容

1.4 论文结构

第2章 数据预处理

2.1 数据挖掘

2.2 数据清洗

2.3 数据集成

2.4 数据转换

（1）最小—最大规范化

（2）零—均值规格化

（3）小数定标规格化

2.5 数据规约

2.6 数据分析

2.7 数据预处理工具

2.8 本章小结

第3章 学生行为数据预处理

3.1 引言

3.2 数据简介

3.3 数据清洗

3.3.1 图书借阅数据清洗

3.3.2 消费数据清洗

3.3.3 成绩数据清洗

3.3.4 不同维度数据集成

3.4 本章小结

第4章 学生行为相关性研究

4.1 引言

4.2 关联规则

4.2.1 Apriori 算法

4.2.2 FP-Growth 算法

4.3 基于Apriori算法对学生行为的分析

4.3.1 行为数据离散化

4.3.2 行为数据的关联性分析

4.4 本章小结

第5章 学生行为聚类分析研究

5.1 引言

5.2 聚类算法

5.2.1 K-means算法

5.2.2 DSCAN算法

5.3 学生行为聚类分析

5.3.1 基于K-means算法的聚类分析

5.3.2 基于DSCAN算法的聚类分析

5.3 本章小结

总结与展望

总结

展望

参考文献

致谢

附录A 攻读学位期间成果目录