兴趣度在选课指导系统中的研究与应用

文章简要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,发现了Apriori不适合学生选课指导系统的缺陷。提出了增加兴趣度阈值以减少产生的无用规则,提高挖掘精度,克服原系统缺陷的新算法,为学生选课辅助决策提供了良好的理论依据和实现方法。     

关联规则挖掘在选课指导系统中的应用

本文根据高校选课管理的情况,将关联规则挖掘技术中的FP-tree算法运用于高校选课管理的指导系统,对选课系统所积累的教学信息进行分析与挖掘,为高校选修课程的开设及学生选课提供决策支持,指导高校选课制度健康发展,提高教学水平。     

关联规则在课程相关性模式中的研究与应用

学分制已成为高等学校教学管理制度发展趋势.在学分制体系下,如何进行教学管理和学生培养成为高校建设的主要问题.本文将Apriori算法应用于高校教务管理信息系统,对学生成绩数据进行分析,探讨了高等学校专业课程间相关性问题,得到了一些合理、可靠的课程关联规则.解释和验证了关联规则结果,针对产生的大量规则引入兴趣度分析,别除了用户不感兴趣的关联规则,从而为学分制体系下的学生选课提供指导.     

基于兴趣度-相关性规则挖掘的研究及在推荐选课系统的应用

通过分析和比较现有的关联规则挖掘算法,针对本研究的问题,采用一种改进的基于兴趣度的增量挖掘算法,该算法既适用于动态数据库的更新挖掘,又适用于最小支持度和最小置信度变化的更新挖掘.然后将其运用于推荐选课系统中,通过对学生已有成绩数据库信息和己选课信息进行深层次的数据挖掘,获取合理、可靠的课程结构关联规则.本系统既考虑课程之间关联规则的相关性,又考虑学生的学习能力和学习兴趣,为选课推荐服务提供更好的支持.     

数据库中关联规则挖掘研究与应用

简要地介绍了关联规则,通过对关联分析的经典算法-Apriori算法的分析,发现了经典算法Apriori算法的缺陷,给出了改进的关联规则算法FARM_New算法和基于筛选压缩的Apriori挖掘算。并将其应用到教学质量评估系统中进行对比分析。     

关联规则在教务管理中的应用

运用数据挖掘技术中的关联规则,对历届学生成绩数据进行分析,找出各课程之间的隐藏关系,对数据进行了标准化、离散化处理,并采用经典Apriori算法进行数据挖掘,得到了一些合理、可靠的课程关联规则.这些规则应用到教学管理中,可以为学生选课提供有效的指导以及合理设置课程.     

基于关联规则挖掘的高校成绩分析研究

本文通过对本校某年级学生成绩进行分析,主要应用数据挖掘中的关联规则和Apriori算法,挖掘出一些合理的课程关联规则,将这些规则运用到教学管理中,可指导学生选课和合理的设置课程,为高校的教学管理提供参考。     

一种改进的Apriori算法

针对Apriori算法对数据库的扫描次数过多、系统的I/O负载大和产生大量的无关中间项集等弊端,提出了一种改进的Apriori算法。该算法通过加入用户兴趣项,减少候选项集的产生;打破了传统的算法实现步骤减少了数据库的扫描次数,降低了系统I/O负载;构建了用户兴趣度模型增加了算法生成强关联规则的可读性,提高了算法的效率。实验表明,改进的Apriori算法能有效地提高运行速度和效率。     

关联规则在基于学分制的选课系统中的应用

高校选课系统中存储了大量的数据,利用数据挖掘技术的关联规则挖掘,可以从大量的数据中发现有价值的规则.以高校选课系统为应用背景,对学生成绩进行分析,得出部分合理、可靠的课程相关性规则,为学分制体系下学生选课提供指导.     

一种优化相关规划的发现方法

提出了一种基于相关性的框架.在此框架内,使用残差分析来判断两项之间是否是独立的.残差分析可以使得我们很容易地获得包含负蕴含规则在内的真正的关联（而不是并发）规则,而且不需要指定支持度和可信度阈值.为了提高发现规则的质量,文中使用遗传算法来发现优化规则.在人工数据集和真实数据集上的实验结果表明文中的算法在发现规则的有趣性上优于类Apriori算法.     

一种新的改进Apriori算法

通过对Apriori算法的核心思想进行研究分析,结合Apriori性质,对Apriori中连接的步骤进行了改进.通过该方法,可以有效地减少连接步产生的大量无用项集并减少判断项集子集是否是频繁项集的次数.     

基于频繁2项集支持矩阵的Apriori改进算法

捕要：Apriori算法在关联规则挖掘过程中需要多次扫描事务数据库,产生大量候选项目集,导致计算量过大。为解决该问题,提出一种基于频繁2项集支持矩阵的Apriori改进算法,通过分析频繁k＋1项集的生成机制,将支持矩阵与频繁2项集矩阵相结合实现快速剪枝,并大幅减少频繁k项集验证的计算量。实验结果表明,与Apriori算法和ABTM算法相比,改进算法明显提高了频繁项集的挖掘效率。     

一种基于数据压缩的Apriori算法

随着物联网技术的飞速发展,数据采集手段迅速增加,对海量数据分析与处理的需求也愈加强烈。关联规则挖掘算法通过数据之间的关联分析,挖掘出数据之间的隐含关系,进而获得了大量应用。在众多的关联规则算法中,传统的Apriori算法虽然得到了大量应用,但是因为该算法产生大量的候选集,而且需要多次对数据库进行扫描,导致该算法的运行效率大大降低。为了克服Apriori算法的以上缺点,通过数据压缩的方法减少了数据库扫描次数的同时,对生成的候选集进行了多次验证,大大减少了无效候选集的数量。大量的数据挖掘实验证明提出的改进算法可以在正确挖掘数据集关联规则的同时,大大提高了算法的运行效率。     

关联规则挖掘Apriori算法的改进与实现

Apriori算法是关联规则挖掘的一个经典算法,提高Apriori算法关联规则挖掘效率的关键是减少候选集的数量。通过分析、研究该算法的基本思想,文中提出利用Hash表存储技术对该算法进行改进,通过删除项Hash表来减少生成候选集的数量,从而提高算法的效率。实验结果表明,该改进算法能有效地提高关联规则挖掘的效率。     

基于关联规则挖掘的路面损坏状况影响因素分析

本文基于路面评价指标中车辙深度指数和行驶质量指数来评价路面的损坏情况,使用关联规则挖掘环境、交通、路面等影响因素与路面状况之间的关联程度.针对关联规则Apriori算法复杂度和耗时的缺点,提出一种不生成候选集的方法来产生频繁集的改进Apriori算法,并通过实验对比证明改进的Apriori算法能够有效提升速度和性能.使用改进的Apriori算法分析路面评价指标及其影响因素之间的强关联规则,得到不同环境路面损坏的主要成因.本文结论能够对路面养护提供科学可靠的支持,可为路面养护部门提供合理的养护建议与数据支撑.     

基于十字链表的Apriori改进算法

针对Apriori算法中存在的不足,提出一种把事务数据库映射到十字链表中的改进算法。该算法可以减少连接数据库的次数及事务记录的扫描次数。Apriori算法与改进算法的性能对比分析表明,改进算法能有效提高执行效率。     

基于改进的Apriori算法的学位预警应用研究

分析了基于关联规则的数据挖掘技术原理,描述了经典的Apriori算法的原理及在实际应用中的弊端,并在此基础上运用精减频繁项集、运用多关键字排序重排频繁项集、压缩数据库方式以及算法中止条件方面对Apriori算法进行改进,并成功应用于高校学位预警系统中。     

关联规则挖掘中Apriori算法的研究与改进

经典的产生频繁项目集的Apriori算法存在多次扫描数据库可能产生大量候选及反复对候选项集和事务进行模式匹配的缺陷,导致了算法的效率较低。为此,对Apriori算法进行以下3方面的改进:改进由k阶频繁项集生成k+1阶候选频繁项集时的连接和剪枝策略;改进对事务的处理方式,减少Apriori算法中的模式匹配所需的时间开销;改进首次对数据库的处理方法,使得整个算法只扫描一次数据库,并由此提出了改进算法。实验结果表明,改进算法在性能上得到了明显提高。     

针对高项频繁集的关联规则改进算法

关联规则挖掘是数据挖掘中的重要研究内容之一，Apriori算法是其中的经典算法，而频繁集的提取问题则是Apriori算法中的关键。该文对Apriori算法性能进行了分析，针对其中的连接步和剪枝步实施了改进，提出了MApriori算法。并通过算法仿真实验对这两种算法进行了比较，结果证明改进后的算法加快了高项频繁集的产生速度，从而提高了挖掘的效率。