[发明专利]基于偏序模式的教育信息化课程关联模式发现方法及系统

摘要

一种基于偏序模式的教育信息化课程关联模式发现方法及系统，利用教育信息化数据预处理模块进行预处理，构建课程信息数据库和课程项目库；利用课程候选项集生成及其剪枝模块挖掘完全加权课程候选项集，求出课程候选偏序项集，采用新的剪枝方法剪除无效课程候选偏序项集，得出完全加权课程候选偏序项集；完全加权课程频繁项集生成模块采用新的课程偏序项集支持度计算方法，得出课程频繁偏序项集；利用完全加权课程关联规则模式生成及显示模块挖掘有效的完全加权课程关联规则模式，并输出给用户。本发明能大幅度减少无效课程关联模式出现，候选项集和挖掘时间减少，提高挖掘效率，其课程关联规则模式更接近实际，为教务管理和教学改革提供依据。

主权项

一种基于偏序模式的教育信息化课程关联模式发现方法，其特征在于，包括如下步骤：(1)教育信息化数据预处理：将待处理的教育信息化教务数据进行预处理，即提取学生课程成绩，将课程当作项目，把课程权值当作项目权值，将课程权值规范化，构建课程信息数据库和课程项目库；(2)挖掘完全加权课程频繁偏序项集，包括以下步骤(2.1)和步骤(2.2)：(2.1)挖掘完全加权课程频繁1_项集L1，具体步骤按照(2.1.1)和步骤(2.1.2)进行：(2.1.1)从课程项目库中提取完全加权课程候选1_项集C1，将课程信息数据库中所有课程项目成绩权值累加，得到全部课程项目权值总和得W，在课程信息数据库中累加完全加权课程候选1_项集C1的权值总和得w(C1)，计算完全加权课程候选1_项集C1的支持度(Cource itemsets support,cisup)，即cisup(C1)；若cisup(C1)≥最小支持度阈值ms，则该课程候选1_项集C1是频繁的，即为完全加权课程频繁1_项集L1，并加入到完全加权课程频繁偏序项集集合CFIS；(2.1.2)在课程信息数据库中累加完全加权课程候选1_项集C1的出现频度得n(C1)，提取wr(C1)，所述的wr(C1)为在不属于完全加权课程候选1_项集C1的课程项目集合中其他项目的权值最大的项目权值，计算包含完全加权课程候选1_项集C1的2_项集课程项集权值期望CIWB(C1,2)；(2.2)挖掘完全加权课程频繁k_项集Lk，所述的k≥2，包括以下步骤：(2.2.1)对于完全加权课程候选(k‑1)_项集Ck‑1集合，将w(Ck‑1)<CIWB(Ck‑1,k)的不可能成为完全加权课程频繁k_项集的Ck‑1剪除，得到新的完全加权课程候选(k‑1)_项集Ck‑1集合，所述的w(Ck‑1)为完全加权课程候选(k‑1)_项集Ck‑1在课程信息数据库中的权值总和，CIWB(Ck‑1,k)为包含完全加权课程候选(k‑1)_项集Ck‑1的k_项集课程项集权值期望；(2.2.2)采用Apriori连接方法，将n(Ck‑1)≠0的完全加权课程候选(k‑1)_项集Ck‑1自身连接后生成完全加权课程候选k_项集Ck，所述的n(Ck‑1)的计算方法是：在课程信息数据库中累加完全加权课程候选(k‑1)_项集Ck‑1的出现频度得n(Ck‑1)；(2.2.3)如果完全加权课程候选k_项集Ck为空集，则退出步骤(2.2)转入步骤(3)，否则，转入下面步骤(2.2.4)；(2.2.4)对于完全加权课程候选k_项集Ck，如果存在一个(k‑1)_项子集Ck‑1，使得w(Ck‑1)<CIWB(Ck‑1,k)，则该完全加权课程候选k_项集Ck一定是非频繁的，从Ck集合中删除该项集，得到新的完全加权课程候选k_项集Ck集合；(2.2.5)在课程信息数据库中累加完全加权课程候选k_项集Ck的出现频度得n(Ck)，在课程信息数据库中累加完全加权课程候选k_项集Ck的各个项目的权值总和得w1(Ck),w2(Ck)….,wk(Ck)，得出Ck的完全加权课程候选偏序项集cpoCk，提取wr(Ck)，计算Ck的CIWB(Ck,k+1)，所述的wr(Ck)为在不属于完全加权课程候选k_项集Ck的课程项目集合中其他项目的权值总和最大的项目权值总和值，CIWB(Ck,k+1)为包含完全加权课程候选k_项集Ck的(k+1)_项集课程项集权值期望；(2.2.6)删除n(Ck)＝0的完全加权课程候选k_项集Ck，得到新的Ck集合，所述的n(Ck)的计算方法是：在课程信息数据库中累加完全加权课程候选k_项集Ck的出现频度得n(Ck)；(2.2.7)对于完全加权课程候选偏序项集cpoCk，若存在任一高序真子集是非频繁的，或者，若存在高权项目的项目权值小于1_项集的最小权值阈值minw，则该课程候选偏序项集一定是非频繁的，从cpoCk中删除该项集，得到新的完全加权课程候选偏序项集cpoCk集合；(2.2.8)对于完全加权课程候选偏序项集cpoCk，若存在低权项目的项目权值大于或等于minw，则该课程候选偏序项集一定是频繁的，即为完全加权课程频繁k_项集Lk，并将Lk加入到完全加权课程频繁偏序项集集合CFIS；(2.2.9)对余下的完全加权课程候选偏序项集cpoCk，计算支持度cisup(cpoCk)，若cisup(cpoCk)≥最小支持度阈值ms，则该课程候选偏序项集是频繁的，即为完全加权课程频繁k_项集Lk，并将Lk加入到完全加权课程频繁偏序项集集合CFIS；(2.2.10)将k的值加1，循环步骤(2.2.1)～步骤(2.2.10)，直到Ck为空，则退出步骤(2.2)转入如下步骤(3)；(3)从完全加权课程频繁偏序项集集合CFIS中挖掘完全加权课程强关联规则模式，按照步骤(3.1)～步骤(3.4)进行操作：(3.1)从CFIS中取出完全加权课程频繁偏序项集Li，找出Li的所有真子集；(3.2)从Li的真子集集合中任意取出两个真子集I1和I2，当并且I1∪I2＝Li，若k12×w1×mc≤w12×k1，则挖掘出完全加权课程强关联规则I1→I2；若k12×w2×mc≤w12×k2，则挖掘出完全加权课程强关联规则I2→I1；所述的w1、w2和w12分别为I1、I2和(I1,I2)的项集权值，k1、k2和k12分别为项集I1、I2和(I1,I2)的项目个数，mc为最小置信度阈值；(3.3)继续步骤(3.2)，当完全加权课程频繁偏序项集Li的真子集集合中每个真子集都被取出一次，而且仅能取出一次，则转入步骤(3.4)；(3.4)继续步骤(3.1)，当CFIS中每个完全加权课程频繁偏序项集Li都被取出一次，而且仅能取出一次，则步骤(3)运行结束；至此，完全加权课程强关联规则模式挖掘结束。