基于学生成绩关联分析的个性化选课推荐应用研究

摘要

近年来，关联规则挖掘在教学方面的研究逐步兴起，如何从学生数据中通过关联分析挖掘出有效的关联规则，并将其运用于教育教学当中，是当前教育信息化的一个热点研究领域。同时，在高校选课中，由于传统的学生盲目自行选课的弊端，个性化选课推荐在高校选课中也逐渐呈现出发展趋势。
　　本文进行了基于学生成绩关联分析的个性化选课推荐应用研究，主要的研究工作如下:
　　第一，在关联规则挖掘的经典Apriori算法的基础上，本文提出了一种改进的NewApriori算法，并经过实验对比了该算法的时间性能，进行了基于该算法的关联规则推荐实验。该算法采取了候选项集剪枝的改进策略，在由频繁项集产生候选项集的过程中，改进了传统的扫描全部数据库的方法，对支持度最小的候选项集进行剪枝，减少了需要扫描的数据集大小，压缩了需要扫描的事务空间，大大地节省了算法扫描事务数据库的时间，提高了算法进行关联规则挖掘的效率。实验以华中师范大学的13140条学生计算机成绩数据库作为事务数据库，分别运行Apriori算法、AprioriTid算法、FP-Growth算法和本文提出的NewApriori算法并进行对比，通过实验对比和分析，发现NewApriori算法比Apriori算法、前人在Apriori算法基础上改进过的AprioriTid算法、FP-Growth算法在时间效率上更好。
　　第二，本文将改进的基于NewApriori算法的关联规则挖掘算法应用于学生计算机选课数据和计算机成绩数据上，实现基于NewApriori算法的关联规则推荐，从实验结果中分析出了成绩之间有相互促进效果的计算机课程，以及计算机课程之间存在的关联关系。
　　第三，本文提出了一种改进的基于关联规则和协同过滤的混合模式的个性化选课推荐算法模型。该模型采用改进的NewApriori算法进行关联规则挖掘并实现关联规则推荐，推荐的主要算法采用基于用户的协同过滤推荐算法，算法对协同过滤推荐的预测值与关联规则推荐所得预测值按照一定权重进行加权。实验以华中师范大学学生课程成绩数据为数据集，分别运行协同过滤推荐算法、基于改进的NewApriori算法的关联规则推荐算法与基于改进的NewApriori算法的关联规则挖掘与协同过滤的混合式推荐算法并对比这三种推荐算法的推荐质量，根据推荐实验结果分析可知，改进后的混合式选课推荐算法的推荐质量更高。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 关联规则挖掘

1．2．2 个性化推荐

1．3 本文主要研究工作

1．4 论文的组织结构

第二章 相关理论与技术

2．1 关联规则

2．1．1 关联规则相关概念

2．1．2 关联规则挖掘相关算法及比较

2．2 推荐理论及相关技术

2．2．1 推荐系统介绍

2．2．2 相关推荐算法及比较

2．3 本章小结

第三章 基于改进的NewApriori算法的关联规则推荐

3．1 改进的NewApriori算法

3．1．1 Apriori算法基本思想及实现步骤

3．1．2 Apriori算法缺陷及NewApriori算法的改进

3．1．3 改进的NewApriori算法步骤

3．1．4 改进的NewApriori算法实现

3．2 数据集处理

3．2．1 实验数据集

3．2．2 课程成绩评估标准划分

3．2．3 学生成绩数据处理

3．3 改进的NewApriori算法性能对比实验

3．3．1 实验的评价标准

3．3．2 NewApriori算法性能对比与实验分析

3．4 基于改进的NewApriori算法的关联规则推荐实验

3．4．1 关联规则挖掘过程

3．4．2 实验的评价标准

3．4．3 改进的关联规则推荐实验及结果分析

3．5 本章小结

第四章 基于学生成绩关联分析的个性化选课推荐

4．1 基于改进的关联规则和协同过滤的混合式推荐算法

4．1．1 基于用户的协同过滤推荐算法

4．1．2 混合式推荐算法原理和模型

4．1．3 算法的推荐质量评价标准

4．2 个性化学生选课推荐实验

4．2．1 实验数据集

4．2．2 实验的评价标准

4．2．3 个性化选课推荐实验结果及推荐质量分析

4．3 本章小结

5．1 本文总结

5．2 下一步研究工作

参考文献

攻读硕士期间参加的科研项目与取得的科研成果

致谢