基于兴趣度的高职课程关联规则挖掘

研究关联规则数据挖掘,讨论兴趣度的概念,设计基于此概念的算法.以高职成绩数据库为处理对象,分析课程间的关联规则,并以兴趣度为约束条件,剔除具有欺骗性的无效关联,挖掘一些合理可靠的课程间有趣的关联规则,从而为高职课程设置和教学大纲的修订提供参考,同时也验证了算法的有效性.     

基于关联规则的课程设置研究

通过对基于关联规则的数据挖掘技术的研究,阐述了数据挖掘技术在电子化校园中的应用前景,特别是在课程设置方面,基于关联规则的数据挖掘技术可以更加有效地帮助教育者进行决策.     

关联规则中兴趣度阈值的应用研究

本文简要的介绍了数据挖掘技术,通过对关联分析的经典算法apriori在学生选课指导系统中的应用分析,找出apriori不适合学生选课指导系统的缺陷,提出增加兴趣度阈值以减少产生的无用规则,来提高挖掘的精度,为最终的学生选课决策提供辅助手段。     

基于Apriori有效关联规则及其兴趣度的研究

通过对Apriori算法进行的分析与研究,发现其在实用中存在两个主要问题:生成的关联规则具有相当大的冗余性;有可能挖掘出一条支持度和置信度均很高,但却是无趣的、甚至是虚假的关联规则,且不能产生带有否定项的规则.鉴于此,给出了关联规则的两个性质和引入兴趣度的第三个度量--相关支持度;利用两个性质消除了一定的冗余,同时利用相关支持度使挖掘出的规则更符合用户的需求,设计了挖掘出有效关联规则算法,在算法中利用导出的性质提高算法效率,较好地解决了上述问题.     

兴趣关联规则的挖掘

通过对关联规则兴趣度的度量,在挖掘关联规则时可以避免无意义规则的产生。提出了一种度量关联规则兴趣度的方法,并给出了兴趣关联规则的挖掘算法。     

基于兴趣度的关联规则在选课分析中的应用

通过对关联规则经典算法Apriori的分析,并应用到选课分析系统中,发现了存在的问题.通过增加兴趣度阈值以提高关联规则在数据挖掘中的精度,从而有效的减少了无用规则的产生,为学生选课系统的实现提供了较好的支持.     

一个基于兴趣度的关联规则度量方法的改进

关联规则是数据挖掘和知识发现领域的重要课题,但就判定关联规则是否成立的问题,即兴趣度的度量方法问题,学术界没有一致的标准。既有的兴趣度度量方法包括支持度—置信度方法、提升度方法、卡方分析方法等。这些传统的兴趣度度量方法存在各自的局限,表现为缺乏客观标准,只能度量正向关系等方面。为了克服这些问题,本文提出了一个基于兴趣度的关联规则度量方法的改进,并对该方法与传统方法进行了比较,证明了该度量方法的一些性质,指出了新方法的优点,实证了新方法的特征属性。该方法较之原有方法有一定的优势。     

兴趣模糊关联规则挖掘现状研究

模糊关联规则是通过给定最小支持率和最小信任度来得到很多关联规则的,这些规则之间大部分是显而易见或不相关,为有效得到用户关注的模糊关联规则,引用了兴趣度了的概念。本文主要针对目前兴趣模糊关联规则挖掘现状进行分析研究。     

关联规则兴趣度挖掘在选课中的应用探讨

高校信息化的选课系统积累了大量闲置的选课数据,如何把这些闲置数据利用起来为高校服务成了教学管理人员需要解决的问题。为了解决闲置选课数据的问题,对关联规则兴趣度挖掘在选课中的应用开展了分析讨论。使用Visual FoxPro语言编写了选课数据分析软件,并对选课数据进行挖掘分析,找出不同专业类型的学生对不同类型课程的偏好,为教师指导学生选课具有重要意义。     

一个基于约束的关联规则挖掘算法

给出了一个基于约束的关联规则挖掘算法，首先依赖加权支持度产生频繁项目集，然后利用兴趣度产生关联规则，并对过滤掉的频繁项目集进一步分析发现包含负项集的关联规则。     

正负关联规则挖掘的研究

传统的基于支持度-置信度框架的关联规则挖掘方法可能会产生大量不相关的、甚至是误导的关联规则,同时也不能区分正负关联规则。本文提出了一种评价关联规则的可量化标准,进一步提出一种能同时挖掘正负关联规则的框架,实验证明该方法是有效的。     

关联规则在中职影视动画专业课程设置中的应用

通过对中职开设动漫专业的课程建设及学生培养方向的研究，结合我们学校自己的发展，充分利用动漫专业前几年的相关数据资料，通过数据挖掘的关联规则技术，分析得出课程之间的相互关系，通过所得出的信息帮助校领导更合理的设置动漫专业的课程体系。     

基于关联规则挖掘的课程相关性研究与应用

应用关联规则挖掘对高校课程相关性进行了研究.将某高校的毕业生成绩数据库经过预处理之后,采用不设定成绩界限的方法,用改进的Apriori算法进行挖掘.不仅能挖掘出成绩为优时的课程相关规则,还能发现若某些课程成绩差,则其他课程成绩也为差的规则,可以为学分制体系下学生选课和管理者进行决策等提供参考.     

基于关联规则的课程信息推荐应用研究

网络教学系统中的课程资源丰富而繁多,借助数据挖掘技术,可以对这些资源进行有效挖掘,以期达到更充分、合理的使用.借助关联规则数据挖据方法,构建课程信息推荐模型,研究网络教学系统中的课程关联,为学生网络学习提供课程信息推荐.     

基于正、负关联规则的数据挖掘探讨

传统的关联规则只关注于挖掘出项集间的正关联规则,但在实际应用中负关联规则同样隐含着有价值的信息.本文首先给出了正、负关联规则的定义及支持度和置信度的函数表示,重点分析了关联规则中"支持度—置信度"架构的局限性,提出了利用项集的相关性来解决关联规则中正、负矛盾规则出现的问题,同时针对置信度的设置进行了研究分析,最后对负关联规则挖掘的算法进行了讨论,旨在为关联规则的研究奠定基础.     

基于关联规则与相似度的数据挖掘算法研究

针对使用传统关联规则算法挖掘大数据集时,挖掘过程中效率不高,挖掘出大量冗余规则的问题,提出了基于关联规则和相似度的数据挖掘算法(U-APR):首先,一次性读入数据并构建矩阵,并利用关联规则支持度度量的特性来增加判断属性,以加快结束迭代过程,从而改进了Apriori算法频繁扫描数据库问题;然后,使用相似度算法去除冗余的关联规则;最后,结合置信度、支持度和用户目标匹配度对挖掘结果进行排序输出,从而得到用户感兴趣的关联规则. 同时,应用该算法与目前常用的2种关联规则算法对广东某高校学生财务数据进行数据挖掘. 实验结果表明:与2种常用的关联规则算法相比,U-APR算法缩短了运算时间和提高了存储空间利用率,对用户分析挖掘结果有较好的优化效果.     

基于关联规则的分类

提出一种基于关联规则的分类算法 .这个算法既可以快速分类 ,又可以不受数据集规模的限制     

关联规则的不确定性度量研究

自动地从数据库中挖掘关联规则是非常重要且十分有用的，这是因为已开发和研制的数据广泛地遍布于整个世界。关联规则的不确定性由两个因子：支持度和可信度来度量．该文研究和给出已有的度量的性质，为进一步开发数据挖掘软件提供参考。     

多最小支持度下的关联规则及其挖掘方法研究

数据挖掘指的是从大量的数据中提取隐含的、事先未知的、并且潜在有用的知识技术，是目前国际上数据库和信息决策领域最前沿的研究方向之一。关联规则是当前数据挖掘研究的主要领域之一，获取具有更高价值的规则是该领域的一个研究重点。针对目前大多数挖掘算法只能发现单一支持度下的关联规则问题，文中提出了一种基于多支持度的挖掘策略及在原有AprioriTid算法基础上的改进算法。     

关联规则在方剂配伍规律中的挖掘研究

方剂以中医药理论为指导,配伍是将诸药按照一定规则进行组合,是方剂研究的核心问题。使用关联规则挖掘技术分析方剂配伍的模式和规则,深化对方剂配伍本质规律的认识,将传统的Apriori算法与改进的算法进行实验分析。结果表明,改进的算法能为合理的配伍与精简复方提供理论支持。