分布式关联规则挖掘算法及其在高校就业数据分析中的应用

摘要

随着高等院校招生规模的不断扩大，毕业生人数与日俱增，就业形式日趋严峻。面对激增的就业数据，一些高校建立了就业信息管理系统，但其仅能进行简单的查询、修改操作，尚不能有效的分析就业数据，假如继续沿用过去的就业信息管理模式是不合时宜的。在计算机技术不断发展的条件下，为了适应科学管理手段的需求，数据挖掘技术应运而生，它可以有效地分析就业数据，挖掘出有价值的信息，为决策者提供数据支持。与此同时，分布式技术得到了迅速发展和广泛应用，它可以将就业数据分布在计算机集群上并行处理，提高数据处理的效率。因此将数据挖掘技术与分布式技术相结合，探讨分布式关联规则挖掘及其在高校就业数据分析中的应用具有一定的现实意义。
　　论文的主要研究内容如下:
　　(1)提出了一种基于MapReduce的关联规则挖掘算法(MRFCM算法)，该算法通过对数据库中的项目设置不同的权值来确定项目的重要性，利用MapReduce的数据分组思想划分大数据，使用模糊C均值算法对其中的量化属性进行聚类处理，运用压缩矩阵模型挖掘出有意义的关联规则，通过示例演示了算法的全过程。
　　(2)对高校就业管理系统进行了需求分析、总体设计、模块设计、数据库设计，结合MRFCM算法设计并实现了高校就业管理系统。该系统通过分析就业数据，挖掘出学生信息与就业信息之间的相关性，为学生和用人单位提供了双向推荐。除此之外，系统可以有效地处理大量复杂的工作，能够准确实时地提供就业信息，保证了高校就业管理的质量。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景和意义

1．2 国内外研究现状

1．2．1 数据挖掘技术发展现状

1．2．2 高校就业管理信息系统研究现状

1．3 论文的组织结构

第二章 数据挖掘技术

2．1 数据仓库

2．1．1 数据仓库的概念

2．1．2 数据仓库的组成

2．2 数据挖掘基础理论

2．2．1 数据挖掘的定义

2．2．2 数据挖掘的主要特点

2．2．3 数据挖掘的对象

2．2．4 数据挖掘的功能

2．2．5 数据挖掘的基本方法

2．2．6 数据挖掘的过程

2．3 关联规则挖掘

2．3．1 关联规则挖掘的简介

2．3．2 关联规则挖掘的基本概念

2．3．3 关联规则挖掘的分类

2．3．4 关联规则挖掘的Apriori算法

2．4 本章小结

第三章 基于MapReduce的关联规则挖掘算法

3．1 相关知识介绍

3．1．1 模糊C均值算法

3．1．2 压缩矩阵

3．1．3 MapReduce模型

3．2 基于MapReduoe的关联规则挖掘算法

3．2．1 算法思想

3．2．2 算法描述

3．3 算法举例

3．4 本章小结

第四章 高校就业管理系统的设计与实现

4．1 需求分析

4．1．1 业务流程分析

4．1．2 用户需求分析

4．1．3 功能模块分析

4．2 系统设计

4．2．1 总体设计

4．2．2 类设计

4．2．3 数据库设计

4．3 系统的实现

4．3．1 用户登陆

4．3．2 管理员用户

4．3．3 毕业生用户

4．3．4 用人单位用户

4．4 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

发表论文