[发明专利]基于互信息的完全加权课程正负关联模式挖掘方法及系统

摘要

一种基于互信息的完全加权课程正负关联模式挖掘方法及其挖掘系统，利用教育数据预处理模块进行预处理，构建学生信息库和课程项目库；利用完全加权课程项集生成模块产生课程完全加权候选k-项集(k≥1)，根据候选项集的k-权值阈值或支持度产生课程完全加权频繁项集和负项集；利用完全加权课程正负关联规则生成模块根据其项集互信息和置信度从频繁项集和负项集中挖掘课程完全加权课程强正负关联规则模式；完全加权课程关联规则模式显示模块将挖掘出的课程正负关联模式显示给用户。本发明方法挖掘时间效率比对比方法的高，其挖掘时间明显减少，能挖掘出更合理的课程正负关联模式，其模式可为教学改革和教务管理、教育决策提供科学依据。

主权项

一种基于互信息的完全加权课程正负关联模式挖掘方法，其特征在于，包括如下步骤：（1）教育数据预处理：对于待处理的教育数据，提取学生课程信息及其成绩，将课程当作项目，课程成绩当作项目权值，课程权值规范化为0至1之间，构建学生信息库和课程项目库；（2）挖掘课程完全加权频繁1‑项集L₁和负1‑项集：从课程项目库中提取课程候选1‑项集C₁，累加C₁的项集权值，计算其支持度cisup(C₁)，与最小支持度阈值ms比较，从C₁中挖掘课程完全加权频繁1‑项集L₁和负1‑项集N₁，L₁加入ciPIS，N₁加入ciNIS;（3）挖掘有趣的完全加权课程频繁i‑项集L_i和负i‑项集N_i(所述的i≥2)，包括以下(3.1) 步至(3.6) 步：(3.1)计算完全加权课程(i‑1)‑项集的i‑权值阈值，并与其课程(i‑1)‑项集的项集权值比较，可得到课程负i‑项集，并加入课程负项集集合中，即若课程(i‑1)‑项集的项集权值小于其i‑权值阈值，则该课程(i‑1)‑项集的后续i‑项集为完全加权课程负项集；(3.2)将上述(3.1)步中其课程(i‑1)‑项集的项集权值大于或者等于其i‑权值阈值的课程候选(i‑1)‑项集C_i‑1进行Apriori连接生成课程候选i_项集C_i；(3.3)若课程候选i_项集C_i不为空集，则转入如下(3.4)步，否则，退出（3）步，转入（4）步；(3.4)累加课程候选i_项集C_i的项集权值； (3.5)对于课程候选i_项集中，计算除了（3.1）步获得的负项集以外的项集支持度，若其支持度大于或等于最小支持度阈值，则得到完全加权课程频繁i_项集，并加入课程频繁项集集合中，否则，得到完全加权课程负i‑项集，并加入课程负项集集合中；(3.6) 变量i加1后，继续循环(3.1)步至(3.6)步，直到C_i为空集即退出（3）步，转入（4）步；（4）从课程频繁项集集合中挖掘完全加权课程正负关联规则模式，包括以下(4.1) 步至(4.6) 步：(4.1) 从课程频繁项集集合中取出完全加权课程频繁项集L_i，求出L_i的所有真子集；(4.2) 从L_i的真子集集合中任意取出两个真子集I₁和I₂，当I₁和I₂的支持度大于或等于最小支持度阈值ms时，即cisup(I₁)≥ms，cisup(I₂)≥ms，并且I₁I₂=， I₁I₂=L_i，计算完全加权课程频繁项集(I₁,I₂)的互信息ciMI(I₁,I₂)；(4.3) 若课程频繁项集(I₁,I₂)的互信息ciMI(I₁,I₂)>0，并且I₁→I₂和﹁I₁→﹁I₂的置信度大于或者等于最小置信度阈值mc，则挖掘出完全加权课程强关联规则I₁→I₂和强负关联规则﹁I₁→﹁I₂；(4.4) 若课程频繁项集(I₁,I₂)的互信息ciMI(I₁,I₂)<0，并且I₁→﹁I₂和﹁I₁→I₂的置信度大于或者等于最小置信度阈值mc，则挖掘出完全加权课程强负关联规则I₁→﹁I₂和﹁I₁→I₂；(4.5) 继续(4.2)步骤，当课程频繁项集L_i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(4.6)步；(4.6) 继续(4.1)步骤，当课程频繁项集集合中每个频繁项集L_i都被取出一次，而且仅能取出一次，则（4）步运行结束，转入（5）步；（5）从完全加权课程负项集集合中挖掘有效的完全加权课程负关联规则模式，包括以下(5.1) 步至(5.6) 步：(5.1) 从课程负项集集合中取出课程负项集N_i，找出N_i的所有真子集；(5.2) 从N_i的真子集集合中任意取出两个真子集I₁和I₂，当I₁和I₂的支持度大于或等于最小支持度阈值ms时，即cisup(I₁)≥ms，cisup(I₂)≥ms，并且I₁I₂=， I₁I₂=N_i，计算完全加权课程负项集(I₁,I₂)的互信息ciMI(I₁,I₂)；(5.3) 若课程负项集(I₁,I₂)的互信息ciMI(I₁,I₂)>0，并且﹁I₁→﹁I₂的置信度大于或者等于最小置信度阈值mc，则挖掘出完全加权课程强负关联规则﹁I₁→﹁I₂；(5.4) 若课程负项集(I₁,I₂)的互信息ciMI(I₁,I₂)<0，并且I₁→﹁I₂和﹁I₁→I₂的置信度大于或者等于最小置信度阈值mc，则挖掘出完全加权课程强负关联规则I₁→﹁I₂和﹁I₁→I₂；(5.5) 继续(5.2)步骤，当课程负项集N_i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(5.6)步；(5.6) 继续(5.1)步骤，当课程频繁项集集合中每个负项集N_i都被取出一次，而且仅能取出一次，则（5）步运行结束；至此，基于互信息的完全加权课程正负关联模式挖掘结束；所述的ms为最小支持度阈值，mc为最小置信度阈值。