基于布尔关联规则Apriori算法的高校决策应用的研究

摘要：该文将布尔关联规则Apriori算法应用于高校决策中，以获得对高校决策的有价值的辅助信息，进而为高校各个部门提高科学的决策支持。

关键词：数据挖掘；Apriori算法；高校决策

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2014）01-0170-02

数据挖掘技术在美国高校管理及院校研究中主要运用在预估大学入学人数、优化课程设置、预测学生保留及毕业情况、评估学生学习成果及研究学生学习生活经历等等。在我国高等教育领域内，随着高校规模的不断扩大和信息技术的飞速发展，各个高校都建立了高校信息管理系统，这些系统大大提高了教学和管理的水平，同时也积累了海量的数据。将数据挖掘技术应用于高校决策中，对高校招生、学生成绩管理、教师信息管理、学生就业等等方面这些信息资源进行研究，可以获得对高校决策的有价值的辅助信。该文对数据挖掘技术中的布尔关联规则Apriori算法进行分析研究，并将其运用在高校决策中，进而为各个部门提高科学的决策支持。

1 布尔关联规则Apriori算法

Apriori算法是一种布尔关联规则挖掘频繁项集的深度优先算法，该算法是用频繁项集的性质，进行逐层搜索的一种迭代方法，即K项集用于探察（K+1）项，集。该算法的基本思想是：第一步列出所有的频繁项集。预定义的一个最小支持度，确保这些项集的频繁性至少和预设值一样。然后产生强关联规则，并且要求其满足最小支持度和最小可信度。第二步用第一步中产生的规则，生成只包含集合的项的规则。并且只保留那些大于预设值的规则。为了生成所有频繁项集，使用了递推的方法。

K项集用于探察（K+1）项集，第一步扫描数据库中的每一项，收集并找到满足预设值的频繁1项集的集合，记作L1。第二步根据频繁1项集确定频繁2项集L2，然后用L2找L3，依次类推直到无法找到频繁项集为止。

从Lk-1项集探查L项集，由连接步和剪枝步组成：

1）连接步：把Lk-1中项集与自身连接，产生候选K项集集合，将该集合记作Ck。

2） 剪枝步：虽然所有频繁的K项集都包含在Ck中，但Ck 集合中的成员可能不都是频繁的。将Ck中各项的计数与预设值进行比较，符合要求的项都是频繁的，从而确定Lk。

2 高校决策应用的研究

基于数据挖掘技术中的布尔关联规则Apriori算法，可以對高校已有的海量数据进行分析挖掘，从设置课程、高校招生、教学评估等方面多维度的寻找关联度，从而达到为高校管理提高科学决策支持的目的。高校决策系统对教育决策的辅助作用主要体现在以下设计中：

1）高校教学的评估：由于不同教师的授课方式和教学水平的差异，学生的成绩也会有所差别。通过数据挖掘技术，可以发现教师学历、职称、授课方式等同学生成绩之间的联系，从而对高校的教学进行评估，并提出辅助性的决策建议，已提高教学的质量。

2）课程的合理设置：高校各个专业课程之间都具有一定的衔接性，先行课程的学习效果会直接影响后续课程的学习。利用数据挖掘技术对学生的成绩进行分析，寻找课程之间的关联性，并以此为依据，对课程设置提出有价值的决策建议。

3）高校招生的分析：在高校招生部门进行高招录取的时候，生源是其保障。他们的目标是在保证学生高的报到率的前提下，能够录取高素质的学生。在录取过程中，可以通过使用关联规则算法对学生的信息进行挖掘和分析。以学校的历年招生数据为数据源，利用数据挖掘技术对的考生报到率进行预测。可以为招生部门提供招生决策支持建议。

3 Apriori算法在高校决策中的应用研究

本文以高校决策中的学生信息数据仓库D作为分析对象进行研究，利用Apriori算法对样本进行分析、挖掘。

通过表1的学生信息数据仓库D演示挖掘过程。假设最小支持度的预设值为2。

1） 在算法第一轮迭代中，所有项都是候选1项集C1的成员。通过算法扫描所有事务，统计所有项的出现次数。

2） 由C1中符合最小支持度要求的项集来确定频繁1项集L1。

3） 将L1与自身相连接，从而产生频繁2项集C2。

4） 通过扫描D中的事务，对C2中所有候选项集支持度的进行计数。

5） 将C2中符合最小支持度要求的项集来确定频繁2项集L2。

6） 首先C3=L2∧L2={{1，2，3}，{1，3，5}，{2，3，5}}。由于{1，2}不是频繁的，所以{1，2，3}也不是频繁的，从而得到C3={{1，3，5}，{2，3，5}}。

7） 将C3中符合最小支持度要求的候选组成频繁3项集L3。

8） 将L3与自身相连接，从而产生候选项C4。因为不存在频繁子集，C4为空集，所以算法终止。

具体过程如图1中所示。

图1 候选项和频繁项集的产生

当频繁项集挖掘完成后，可利用Apriori算法生成关联规则。

假定需要挖掘项集L={1，3，5}。L的非空子集有6个：{1}、{3}、{5}、{1，5}、{1，3}、{3，5}，计算结果如下：

1[?]3∧5， confidence=2/3=66.7%

3[?]1∧5， confidence=2/4=50%

5[?]1∧3， confidence=2/4=50%

3∧5[?]1， confidence=2/3=66.7%

1∧5[?]3， confidence=2/2=100%

1∧3[?]5 confidence=2/3=66.7%

假设最小置信度阈值为65%，则第1、4、5、6个规则可以作为强关联规则进行最终输出。

4 结论

在高校教学数字信息化的时代趋势下，使用关联规则挖掘方法从高校海量数据中发现潜在的数据规律，并进行分析和预测，为决策者做出正确的决策提供理论依据，对高等院校扩大规模、提高办学质量有着重要的实践意义。 （下转第225页）

（上接第171页）

参考文献：

[1] 常桐善.数据挖掘技术在美国院校研究中的应用[J].复旦教育论坛，2009（2）.

[2] 李桥，阳春华.关联规则Apriori算法在教学评价中的应用[J].计算机与数字工程，2010（6）.

[3] Han J W，Micheline Kamber M.数据挖掘概念与技术[M].北京：机械工业出版社，2008.