江敏 徐艷

摘要：作為教育信息化的重要組成部分，高校教學管理系統(tǒng)中收集了大量的教學信息，但大多沒有得到很好的挖掘和研究，所以數(shù)據(jù)挖掘在高校教學管理系統(tǒng)中的應用具有現(xiàn)實意義。該文介紹了數(shù)據(jù)挖掘技術的基本原理和解決問題的方法，并討論了一種將數(shù)據(jù)挖掘技術與高校教學管理系統(tǒng)相結合的方法，提高了高校教學管理的工作效率，實現(xiàn)了教學資源安排的合理性，在高校教學信息化建設方面做出了新的探索。

關鍵詞:教學管理；數(shù)據(jù)挖掘；關聯(lián)規(guī)則；決策樹

中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2012)24-5741-05

The Applications of Data Mining Techniques in Education Management in Universities

JIANG Min, XU Yan

(Taizhou Teachers College, Taizhou 22530, China)

Abstract: As an important part of informatization construction in education, college teaching management system has collected a lot of teaching information, but most of them have not been mined and researched very well, so the applications of data mining in the education management system has practical significance. This article has described the basic principles of data mining techniques and problem-solving methods, and discussed a method of combining data mining technology and college teaching management system, improved the efficiency of teaching management, realized rational arrangements of teaching resources, made new explorations in the teaching informatization con struction.

Key words: education management; data mining; association rules; decision tree

近年來，隨著計算機技術和網(wǎng)絡技術的迅猛發(fā)展，高校的教學信息管理系統(tǒng)得到了長足的發(fā)展和廣泛的應用。目前，國內(nèi)各高校都已經(jīng)不同程度地配備了信息化的教學管理系統(tǒng)，這些教學管理系統(tǒng)大都應用了數(shù)據(jù)庫技術和網(wǎng)絡通信技術，基本上都包含了學生管理、教師管理、課程管理和成績管理等功能模塊。

在教學管理系統(tǒng)中，教學過程中產(chǎn)生的大量記錄和數(shù)據(jù)在數(shù)據(jù)庫中存儲和管理，改善了傳統(tǒng)的紙張記錄方式易丟失、易損壞和不方便查詢等缺點，同時節(jié)省了紙張，在提高管理效率的同時可以做到經(jīng)濟、環(huán)保；另一方面，教學管理系統(tǒng)中網(wǎng)絡技術的應用，使得教學信息的傳輸、處理和查詢工作可以在遠程完成，提高了教學管理的靈活性。信息化教學管理系統(tǒng)的出現(xiàn)為高校的教學管理工作提供了極大的方便，提高了高校管理工作的運行效率，降低了辦學成本。

但是，在教學管理系統(tǒng)的應用過程中，系統(tǒng)中會保存海量的數(shù)據(jù)，例如學生和教師的基本信息、學生的成績等。如果不能得到有效的、有機的利用，這些海量的數(shù)據(jù)只是簡單地保存在管理系統(tǒng)的數(shù)據(jù)庫中，將很可能使得海量的數(shù)據(jù)變成了無用的垃圾，即造成了所謂的“數(shù)據(jù)爆炸、知識貧乏”的現(xiàn)象。其實，這些海量的數(shù)據(jù)的內(nèi)部和相互之間往往具有一些潛在的聯(lián)系和客觀的規(guī)律，有效地發(fā)現(xiàn)和利用這些聯(lián)系和規(guī)律對教學質量的分析評估、高校管理的決策支持等工作會產(chǎn)生極大的幫助，從而使得教學管理系統(tǒng)發(fā)揮更大的作用。而數(shù)據(jù)挖掘技術，就是一種分析海量數(shù)據(jù)中隱藏的關系和規(guī)律，并從中獲得有用信息的技術。

1數(shù)據(jù)挖掘技術概述

1.1數(shù)據(jù)挖掘的概念

隨著信息技術的快速發(fā)展和廣泛應用，各行各業(yè)應用數(shù)據(jù)庫系統(tǒng)保存和管理著海量的數(shù)據(jù)，但是目前大多數(shù)的數(shù)據(jù)庫系統(tǒng)只能夠提供一些簡單的數(shù)據(jù)管理和處理功能。另一方面，隨著社會的發(fā)展，數(shù)據(jù)的重要性日益顯著，人們對數(shù)據(jù)分析和處理方面的需求愈加強烈，而這些需求利用傳統(tǒng)的、人工的數(shù)據(jù)分析方法和數(shù)據(jù)庫系統(tǒng)是很難做到的。隨著各行業(yè)中數(shù)據(jù)量爆炸性的增長，“數(shù)據(jù)爆炸、知識貧乏”的現(xiàn)象愈加嚴重。所以，面對海量的數(shù)據(jù)，人們迫切希望有一種科學系統(tǒng)的技術可以用來分析和處理這些數(shù)據(jù)，從而發(fā)現(xiàn)海量數(shù)據(jù)蘊含的有價值的信息來為決策服務。

數(shù)據(jù)挖掘（Data Mining），是指從海量的數(shù)據(jù)或數(shù)據(jù)庫中分析和提取出人們感興趣的知識的過程。這些知識是一些潛在的有價值的信息，一般可以以概念（Concepts）、規(guī)則（Rules）、規(guī)律（Regularities）、模式（Patterns）等幾種形式存在[1]。對于數(shù)據(jù)挖掘，另一種比較權威的定義是：數(shù)據(jù)挖掘是指從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程[2]。

通俗地講，數(shù)據(jù)挖掘就是對海量的數(shù)據(jù)進行分析并從中挖掘知識的過程。“挖掘”生動地表示了從大量的未加工的、價值不高的數(shù)據(jù)中發(fā)現(xiàn)有用的、價值高的數(shù)據(jù)的過程?！爸R”可以認為是概念、規(guī)則、規(guī)律和模式，即從海量的、繁雜的數(shù)據(jù)中提取得到的有價值的、人們感興趣的信息。這些“知識”可以被人們用于發(fā)現(xiàn)數(shù)據(jù)規(guī)律、提供決策支持等，而數(shù)據(jù)挖掘技術正是實現(xiàn)這一過程的有效手段。

數(shù)據(jù)挖掘技術是涉及到多個技術和領域的交叉，包括數(shù)據(jù)庫技術、人工智能、機器學習、人工神經(jīng)網(wǎng)絡、統(tǒng)計學、模式識別、信息檢索、高性能計算技術等。隨著信息技術的迅猛發(fā)展，各行業(yè)數(shù)據(jù)庫中的數(shù)據(jù)量將繼續(xù)保持指數(shù)級的增長，對于海量數(shù)據(jù)分析和處理的需求也將不斷增加，數(shù)據(jù)挖掘技術的研究與應用必將有更大的發(fā)展。

1.2數(shù)據(jù)挖掘的方法

數(shù)據(jù)挖掘技術的分析方法，即數(shù)據(jù)挖掘的任務分類，主要有以下幾種：

1.2.1關聯(lián)規(guī)則分析

關聯(lián)規(guī)則分析用來找到大量數(shù)據(jù)中數(shù)據(jù)項之間的相關性。它的一般表示形式為：A=> B，即滿足A的數(shù)據(jù)項也很可能會滿足B。根據(jù)不同的關聯(lián)規(guī)則可以反映數(shù)據(jù)的不同規(guī)律，并用來預測事件的發(fā)生或發(fā)展的趨勢。一個關聯(lián)規(guī)則的覆蓋量是關聯(lián)規(guī)則能夠正確預測的實例數(shù)量，稱為支持。準確率或置信度，是將正確預測的實例數(shù)量表示為它在關聯(lián)規(guī)則應用所涉及的全部實例中占據(jù)的比例[3]，即給定關聯(lián)規(guī)則預測準確的概率。關聯(lián)規(guī)則分析應用廣泛，例如著名的“尿布與啤酒”的故事，人們在分析美國沃爾瑪超市的銷售記錄時，發(fā)現(xiàn)男性顧客在購買嬰兒尿布的同時往往會購買啤酒，從而做出了將嬰兒尿布和啤酒擺放在一起的決策，最終取得了良好的效果。所以，從大量數(shù)據(jù)中找到其關聯(lián)規(guī)則，對于市場銷售等商業(yè)活動的決策支持有顯著作用。同時，關聯(lián)規(guī)則分析是許多其它的數(shù)據(jù)挖掘方法，如分類等的基礎。

1.2.2分類分析

分類分析，就是基于給定的類別，將大量數(shù)據(jù)中的數(shù)據(jù)項進行分類，即構造一個分類函數(shù)或模型，把數(shù)據(jù)項映射到給定類別中的某一個，并使用分類規(guī)則對未知的數(shù)據(jù)進行預測分類，而分類函數(shù)或模型是基于數(shù)據(jù)中已經(jīng)分好類別的訓練集得到的。分類分析，一般分為兩個階段：首先，要建立函數(shù)或模型來描述一個已知的數(shù)據(jù)分類規(guī)則，即通過已知分類的數(shù)據(jù)項，即訓練集，來訓練得到分類函數(shù)或模型。分類函數(shù)或模型，可以表示成IF-THEN規(guī)則、決策樹或人工神經(jīng)網(wǎng)絡等；然后，使用測試數(shù)據(jù)檢驗模型的準確性，如果達到預定標準，則可將模型用于預測未知數(shù)據(jù)項的類別，如果不夠準確，則繼續(xù)訓練過程。

1.2.3聚類分析

聚類分析，就是要大量數(shù)據(jù)中的數(shù)據(jù)項按照其自身的某些特點分成自然的組，其目的是盡可能的減小同一類別數(shù)據(jù)項之間的距離，增大不同類別數(shù)據(jù)項之間距離，即實現(xiàn)類內(nèi)相似性最大化、類間相似性最小化。聚類分析用于將數(shù)據(jù)中類似的數(shù)據(jù)項組織在一起，其與分類分析的區(qū)別是，分類分析必須基于預先定義好的類別，即需要訓練集。

1.2.4預測分析

預測分析，是發(fā)現(xiàn)數(shù)據(jù)項隨時間變化的趨勢和規(guī)律的方法?；貧w分析是一種典型的預測分析方法，即使用大量已知數(shù)據(jù)，以時間為變量，得到線性或非線性回歸函數(shù)，從而得到數(shù)據(jù)隨著時間的變化規(guī)律。通常，預測是以分類為基礎的，預測的結果是需要時間來驗證的，即必須經(jīng)過一定時間后，才知道預測的準確性。

1.3數(shù)據(jù)挖掘的流程

數(shù)據(jù)挖掘是通過分析和處理大量數(shù)據(jù)，從大量數(shù)據(jù)中尋找其規(guī)律的技術，實施過程中主要有目標定義、數(shù)據(jù)準備、數(shù)據(jù)挖掘、結果表示和知識吸收五個階段。

（1）目標定義

目標定義階段，要結合相關領域的背景知識，定義出清楚的、準確的數(shù)據(jù)挖掘目標，即相當于需求分析。

（2）數(shù)據(jù)準備

數(shù)據(jù)準備階段，是指從數(shù)據(jù)源中收集、選取數(shù)據(jù)，并將數(shù)據(jù)處理、轉換成適于數(shù)據(jù)挖掘的形式。具體地，數(shù)據(jù)準備階段又可以分成三個步驟：數(shù)據(jù)選擇，從海量的數(shù)據(jù)源中收集得到相關的數(shù)據(jù)，用于數(shù)據(jù)挖掘；數(shù)據(jù)預處理，為了保證數(shù)據(jù)的完整性和一致性，要對收集到的數(shù)據(jù)進行預處理，使之符合數(shù)據(jù)挖掘的要求；數(shù)據(jù)變換，經(jīng)過一系列變換，將數(shù)據(jù)轉換成適合數(shù)據(jù)挖掘方法的特定格式，即從數(shù)據(jù)中抽取出特定的特征或維度。

（3）數(shù)據(jù)挖掘

數(shù)據(jù)挖掘階段，就是用數(shù)據(jù)挖掘的方法將數(shù)據(jù)中隱含的規(guī)律和知識挖掘出來，這個階段是數(shù)據(jù)挖掘技術的關鍵和核心。具體地，首先要確定分析方法的類型，例如關聯(lián)規(guī)則分析、聚類等；然后，針對具體的分析方法，選擇一種合適的算法，例如關聯(lián)規(guī)則分析中的Apriori算法等；最后，在數(shù)據(jù)中運行這種算法，找出數(shù)據(jù)中蘊含的知識，即對數(shù)據(jù)進行挖掘。

（4）結果表示

結果表示階段，就是根據(jù)用戶的需要，將數(shù)據(jù)挖掘的結果，即發(fā)現(xiàn)的規(guī)律和知識，經(jīng)過進一步的轉換、提取和解釋，最終表示成用戶可理解、可接受的形式。

（5）知識吸收

知識吸收階段，是結合特定領域的要求，將挖掘得到的結果應用到特定的領域，為決策者提供決策支持，從而完成數(shù)據(jù)挖掘的最終目標。

[1]吉根林,帥克,孫志揮.數(shù)據(jù)挖掘技術及其應用[J].南京師大學報:自然科學版, 2000, 23(2): 25-27.

[2] Han J.Data Mining: Concepts and Techniques[M]. USA: Morgan Kaufrnan, 2001.

[3]丁春蘭.基于數(shù)據(jù)挖掘技術的教務管理系統(tǒng)研究與實現(xiàn)[D].揚州:揚州大學, 2009.

[4] Rakesh Agrawal, Ramakrishnan Srikant. Fast Algorithms for Mining Association Rules in Large Databases[C]. Santiago, Chile: Proceed? ings of the 20th International Conference on Very Large Data Bases(VLDB), 1994. 487-499.

[5] Quinlan J R. Induction of Decision Tree[J]. Machine Learning, 1986(1): 8l-106.

[6] Quinlan J R. C4.5: Programs for Machine Learning[M]. San Mateo, California: Morgan Kaufmann, 1993.