陳偉

（淮南聯(lián)合大學計算機系，安徽淮南232038）

改進的關(guān)聯(lián)規(guī)則算法在學生CET4成績中的應(yīng)用

陳偉

（淮南聯(lián)合大學計算機系，安徽淮南232038）

英語四級成績（CET-4）是衡量大學英語教學水平和大學生英語水平的一把尺子，對大學英語四級成績及其影響因素進行分析將有利于解決學生英語學習中存在的問題，提高英語教學質(zhì)量及大學生的綜合素質(zhì).文章利用關(guān)聯(lián)規(guī)則挖掘算法——Apriori算法并進行改進對學生CET4成績數(shù)據(jù)中的各個部分進行了分析，為指導(dǎo)教學和深層次的理論研究提供了客觀、有效的決策依據(jù).

關(guān)聯(lián)規(guī)則；Apriori算法；頻繁項集；CET4

1 關(guān)聯(lián)規(guī)則的簡單描述

關(guān)聯(lián)規(guī)則的概念由Agrawal,Imielinski,Swami提出，是數(shù)據(jù)中很實用的規(guī)則，它是數(shù)據(jù)挖掘的主要技術(shù)之一.關(guān)聯(lián)規(guī)則的挖掘一般分為以下兩個過程：

（1）尋找所有的頻繁項集，依據(jù)定義，每一個出現(xiàn)的項集的頻繁性要與預(yù)定義的最小支持計數(shù)min_sup一樣.

（2）由頻繁項集產(chǎn)生強關(guān)聯(lián)規(guī)則:根據(jù)定義，這些規(guī)則必須滿足最小支持度和最小置信度.

在以上兩個步驟中，由于第二步的開銷遠遠低于第一步，所以挖掘關(guān)聯(lián)規(guī)則的總體性能由第一步?jīng)Q定[1].

2 改進的Apriori算法

關(guān)聯(lián)規(guī)則挖掘最著名、最有影響的算法是Apriori算法，它是使用候選項集產(chǎn)生發(fā)現(xiàn)頻繁項集.算法中主要進行這樣兩個操作：為找LK，通過將LK-1與自身連接產(chǎn)生候選K項集的集合，即連接步；根據(jù)Apriori性質(zhì)，任何非頻繁的K-1項集都不是頻繁K項集的子集.因此，如果候選K項集的K-1項子集不在LK-1中，則該候選項集也不可能是頻繁的，即剪枝步.假定事務(wù)數(shù)據(jù)庫中各記錄的項目均已按字典排序.可以利用項集之間有序的特點，從減少算法中這兩個操作的執(zhí)行次數(shù)的角度來達到優(yōu)化算法的目的.

2.1 減少連接步驟的執(zhí)行次數(shù)的算法：

2.2 減少剪枝步驟的執(zhí)行次數(shù)算法：

3 改進算法的應(yīng)用

以下以某高校教務(wù)系統(tǒng)中的學生CET4成績?yōu)檠芯繑?shù)據(jù).

3.1 首先將學生CET4.XLS文件導(dǎo)入到VFP中，建立相應(yīng)的學生成績數(shù)據(jù)庫文件；

3.2 對現(xiàn)有數(shù)據(jù)的情況進行數(shù)據(jù)預(yù)處理.數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)歸約、數(shù)據(jù)離散化.這里主要進行以下處理：

3.2.1 數(shù)據(jù)清理：填寫空缺的值，平滑有噪聲的數(shù)據(jù)，識別、刪除孤立點.數(shù)據(jù)預(yù)處理1后的圖為成績視圖1.總計7646條記錄.

圖1 成績視圖1

3.2.2 數(shù)據(jù)變換：主要對數(shù)據(jù)進行規(guī)格化操作.對CET4的各個組成部分的分值進行處理，其分值分配為：總分710，聽力分數(shù)249，閱讀分數(shù)249，寫作分數(shù)142，綜合測試分70，首先把分數(shù)轉(zhuǎn)換算為百分制，見成績視圖2.

圖2 成績視圖2

3.2.3 數(shù)據(jù)歸約：通過數(shù)據(jù)規(guī)約可以得到數(shù)據(jù)集的簡化表示，它小得多，但能夠產(chǎn)生同樣的（或幾乎同樣的）分析結(jié)果.規(guī)定分值分布情況如下：60分以下為“1”，60-70之間為“2”，70-80之間的為“3”，80-85之間的為“4”，大于85的為“5”；為了分析方便，總分用“Z”代表，聽力分數(shù)用“T”代表，閱讀分數(shù)用“Y”代表，寫作分數(shù)用“X”代表，綜合測試分數(shù)用“ZH”代表.預(yù)處理后的圖為成績視圖3.由于改進算法的需要，把成績表進行重新排序，見成績視圖4.

3.3 設(shè)計算法

圖3 成績視圖3

圖4 成績視圖4

3.3.1 求解頻繁項集

3.3.1.1 我們要研究的事務(wù)數(shù)據(jù)庫是圖4的成績表3.DBF.

3.3.1.2 建立一個項目數(shù)據(jù)表ITEM.DBF，見圖5.

3.3.1.3 建立六個空數(shù)據(jù)表，分別用來存放1、2、3、4、5頻繁項集和它們的支持度計數(shù).

3.3.1.4 產(chǎn)生一個輔助數(shù)據(jù)表，該表中只有一個字段，數(shù)據(jù)類型為字符型，記錄數(shù)與成績表3相同,數(shù)據(jù)為z+t+y+x+zh的值.

圖5

在該程序中我們運用了改進后的Apriori算法，大大減少了循環(huán)次數(shù)，提高了效率[5,6].

如果希望研究的規(guī)則中能夠有中等的同學，那么最小支持度就要設(shè)定得很小，這樣產(chǎn)生的頻繁項集很多，同樣關(guān)聯(lián)規(guī)則也很多.基于以上情況我們設(shè)定最小支持度為0.06，支持度計數(shù)為459，產(chǎn)生了81個頻繁項集.下面為部分實驗結(jié)果：

3.3.2 提取關(guān)聯(lián)規(guī)則

假設(shè)最小置信度為70%，由程序得出242個關(guān)聯(lián)規(guī)則.部分實驗結(jié)果如下：

4 算法應(yīng)用結(jié)果

4.1 CET4成績四個部分中聽力和閱讀是影響總分最大的兩個因素.綜合測試與其他三項的關(guān)系相對較低.

4.2 在四個組成部分中，從與總分的關(guān)系來看，聽力是最突出的.

4.3 還有一點通過索引排序觀察就能得到的結(jié)論是女生與男生的成績存在差異，從我們?nèi)粘Ｉ钪泻苋菀装l(fā)現(xiàn)，男生與女生對英語的重視和喜愛程度是不一樣的，普遍情況是女生優(yōu)于男生.

5 總結(jié)

總之，影響英語四級考試成績的因素是多方面的.通過實驗得出的分析結(jié)果能夠?qū)υ撻T課程的教學提供一定的理論依據(jù).

〔1〕陳文偉，黃金才，等.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘[M].北京：人民郵電出版社，2004.

〔2〕陳偉.數(shù)據(jù)挖掘技術(shù)在學生成績管理中的應(yīng)用[D].安徽大學，2008.

〔3〕陳偉.Apriori算法的優(yōu)化方法[J].計算機技術(shù)與發(fā)展,2009，19(6)：82-83.

〔4〕R.Agrawal,T.Im ielinski.and A.Swam i.M ining association rules between sets of items in large databases.Proceedings of the ACM SIGMOD Conference on Management of data(ACM SIGMOD’93)[C].Washington.USA，1993:207一216.

〔5〕羅可.一種用Visual Foxpro求頻繁項目集的方法[J].計算機工程，2001，27(5)：36-37.

〔6〕朱玉全，孫志揮.一種有效的關(guān)聯(lián)規(guī)則增量式更新算法[J].計算機工程與應(yīng)用，2001（23）：28-30.

TP311

A

1673-260X（2013）09-0031-03

2011年安徽省淮南聯(lián)合大學校級科研項目（LYB1112）