繆廣寒

摘 要 關(guān)聯(lián)算法是實現(xiàn)學(xué)習(xí)系統(tǒng)的個性化、自主化的有效工具，利用Apriori算法我們可以在學(xué)習(xí)系統(tǒng)中尋找到學(xué)生的學(xué)習(xí)規(guī)律，進而實現(xiàn)個性化的學(xué)習(xí)推薦，是為個性化學(xué)習(xí)系統(tǒng)不可取少的功能模塊。

關(guān)鍵詞 Apriori算法；個性化學(xué)習(xí)系統(tǒng)；AprioriTid算法；數(shù)據(jù)挖掘

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2014）05-0047-02

目前，眾多的學(xué)習(xí)系統(tǒng)大多類似，主要表現(xiàn)在：通用型較多，有專業(yè)特色的開發(fā)者少；理論類多，實踐類少；大眾類多，個性化少。而對于目前的個性化系統(tǒng)來說，由于缺乏一個可以量化的個性化的標(biāo)準(zhǔn)，所以在具體實現(xiàn)上很難真正的實現(xiàn)個性化學(xué)習(xí)，即在內(nèi)容上、模塊上、結(jié)構(gòu)上很難有較為系統(tǒng)、全面、高質(zhì)量的系統(tǒng)出現(xiàn)。同時，人們的網(wǎng)絡(luò)學(xué)習(xí)已經(jīng)不再滿足于傳統(tǒng)書本的電子化。交互性、自主性、個性、多元化等各種學(xué)習(xí)特征急需實現(xiàn)。因此，許多教育學(xué)者協(xié)同學(xué)習(xí)系統(tǒng)開發(fā)者們都不斷投入到個性化學(xué)習(xí)系統(tǒng)中的個性化的開發(fā)建設(shè)中去，希望能在技術(shù)層面解決個性化需求與海量學(xué)習(xí)資源之間的矛盾，實時給網(wǎng)絡(luò)學(xué)習(xí)者個性化的學(xué)習(xí)指導(dǎo)，實現(xiàn)真正的因材施教。

基于上述問題的解決，本文構(gòu)建設(shè)計了一個課外體育的個性化學(xué)習(xí)系統(tǒng)，并利用數(shù)據(jù)挖掘技術(shù)中Apriori算法來改進當(dāng)前的個性化學(xué)習(xí)系統(tǒng)的學(xué)習(xí)模式，對每一個網(wǎng)絡(luò)學(xué)習(xí)者提供個性化的學(xué)習(xí)進程。

1 個性化學(xué)習(xí)系統(tǒng)及其技術(shù)支持

個性化學(xué)習(xí)是指根據(jù)學(xué)習(xí)者的個性特征實施教育活動，充分發(fā)揮學(xué)習(xí)者的主動性，促進學(xué)生全面、自由、協(xié)調(diào)的發(fā)展，從而進一步發(fā)展學(xué)生的個性和潛能激發(fā)。個性化學(xué)習(xí)是一種創(chuàng)造性、實踐性和探索性的學(xué)習(xí)方式，它的根本目標(biāo)是讓每個學(xué)生獲得個性發(fā)展，實現(xiàn)個性化學(xué)習(xí)的關(guān)鍵主要是看個性化系統(tǒng)能否適應(yīng)學(xué)生的個性化差異，其中包括學(xué)生的學(xué)習(xí)能力的差異、學(xué)習(xí)興趣的差異、學(xué)習(xí)適應(yīng)性差異和學(xué)習(xí)經(jīng)驗差異。

為了滿足學(xué)習(xí)者個性化、自主式學(xué)習(xí)要求，網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)平臺也在不斷的發(fā)展改進，以各種技術(shù)支撐的學(xué)習(xí)系統(tǒng)應(yīng)運而生，如自適應(yīng)學(xué)習(xí)系統(tǒng)、課程點播系統(tǒng)系統(tǒng)、課程視頻會議等，還有以建設(shè)個性化學(xué)習(xí)環(huán)境為主的WEB2.0技術(shù)，RSS聚合技術(shù)、Ajax技術(shù)、Ontology本體檢索技術(shù)、數(shù)據(jù)挖掘技術(shù)、數(shù)據(jù)庫技術(shù)等應(yīng)運而生?？梢哉f從國家到學(xué)校，各種相關(guān)研究和投入已經(jīng)多有嘗試，頗具規(guī)模。

要實現(xiàn)學(xué)習(xí)系統(tǒng)個性關(guān)鍵在于從信息資源的海洋中得到關(guān)于學(xué)習(xí)者對系統(tǒng)資源使用模式的相關(guān)知識，并進一步結(jié)合這些知識根據(jù)學(xué)習(xí)者的個人興趣特征實現(xiàn)對學(xué)習(xí)者的個性化推薦，提供相應(yīng)資源。目前這些功能的實現(xiàn)主要采用數(shù)據(jù)挖掘技術(shù)來實現(xiàn)。其中，關(guān)聯(lián)規(guī)則就是數(shù)據(jù)挖掘技術(shù)中的一個重要分析模式。

1.1 關(guān)聯(lián)規(guī)則

數(shù)據(jù)關(guān)聯(lián)是指數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識。如果兩個或多個變量的取值之間存在某種規(guī)律性，就可稱之為關(guān)聯(lián)。數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則實在滿足一定支持度和置信度算法的同時在事務(wù)數(shù)據(jù)庫數(shù)量龐大的關(guān)聯(lián)規(guī)則中找到強規(guī)則。Apriori算法是一個典型的關(guān)聯(lián)規(guī)則算法 ，也稱廣度優(yōu)先算法。是R Agrawal和R Srikant 于1994年提出的。

1.2 Apriori算法

Apriori算法的基本思想是：1）找出所有的頻集，這些項集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持度一樣；2）從頻繁項集發(fā)現(xiàn)強關(guān)聯(lián)規(guī)則。從一開始找到的頻繁項集的規(guī)則中找出只包含集合的項的所有規(guī)則。掃描項集，使用遞歸的方法找出所有頻繁項集，為了生成所有頻集，使用了遞歸的方法。具體算法偽代碼如下：

Input：數(shù)據(jù)庫D；最小支持度MinSuport_count。

Output：數(shù)據(jù)庫D中的頻繁項集I。

Begin

a、獲得所有支持度不小于 MinSupport的1-項目集

Im=large1-Itemsets；

b、找出數(shù)據(jù)庫D 中所有的頻繁項集I

FOR（k=2；Ik-1≠Ф；k++）DO

Ck=apriori_gen（Ik-1）；

FOR 所有transactions l ∈D DO

Ct=subset（CK，t）；

FOR 所有候選 c∈Ct DO

c.count++

END

END

Ik={ c ∈Ck|c.count≥MinSuport_count}

END

I=∪Ik

End

其中，apriori_gen（Ik-1）算法按照上一次迭代發(fā)現(xiàn)新的候選項集，分為鏈接和修剪兩個部分。具體描述如下：

1.2.1 鏈接

Begin

FOR 所有項目集 p∈Lk-1 DO

FOR 所有項目集 q∈Lk-1 DO

IF p.item1=q.item1，p.item2=q.item2…p.itemk-2=

q.itemk-2， p.itemk-1=q.itemk-1， THEN {

C=p∪q； //鏈接，產(chǎn)生候選集

IF has_infrequent_subset（c，Ik-1） THEN

Delete c； // 修剪。去掉無用候選項

ELSE add c to Ck}

Return Ck

End

1.2.2 修剪

在上述算法中，語句“IF has_infrequent_subset（c，Lk-1） THEN刪除”是判斷c 是否需要加入到 k-候選集中，不需要就修剪掉。endprint

Begin

FOR each （k-1）-subsets of c DO

IF S ? Ik-1 THEN

Return true；

Return False；

END

End

2 使用Apriori 算法獲得學(xué)習(xí)者的學(xué)習(xí)規(guī)則

關(guān)聯(lián)規(guī)則挖掘算法可以應(yīng)用在學(xué)生的成績分析上，如知識點與測試成績之間函數(shù)關(guān)系。通過對籃球課程的活動記錄與相應(yīng)的測試成績的數(shù)據(jù)分析，我們可以找到一些對今后指導(dǎo)學(xué)生課外學(xué)習(xí)的有用規(guī)律。其具體流程如下。

2.1 整理數(shù)據(jù)

學(xué)生的學(xué)習(xí)記錄庫中記錄了學(xué)生的個人信息與基本學(xué)習(xí)過程信息。如學(xué)生姓名、學(xué)號、學(xué)習(xí)風(fēng)格、學(xué)習(xí)時間、學(xué)習(xí)路徑、測試成績等內(nèi)容。整理數(shù)據(jù)的目的是為了使學(xué)生的數(shù)據(jù)記錄等符合Apriori算法所需的項目集開展數(shù)據(jù)挖掘，首先需要將關(guān)系表轉(zhuǎn)換成相應(yīng)的事務(wù)數(shù)據(jù)庫。

2.2 生成事物數(shù)據(jù)庫選擇自主學(xué)習(xí)內(nèi)容，以代碼代替

2.3 生成頻繁項集

通過以上的對應(yīng)抽象，我們可知事務(wù)集，假設(shè)最小支持度為25%，使用Apriori算法尋找D的所有頻繁項集。

2.4 關(guān)聯(lián)規(guī)則生成

在Apriori算法中，對于每一個頻繁k-項集都要找出其中所有可能的真子集，計算出相應(yīng)規(guī)則的置信度。當(dāng)我們發(fā)現(xiàn)某一規(guī)則的置信度大于設(shè)定的最小置信度就導(dǎo)出該規(guī)則。其中，每驗證一個項子集都要重新掃描一遍Ik-1。在對某學(xué)生的籃球?qū)W習(xí)記錄中分析，最小置信度閾值設(shè)置為75%則可以發(fā)現(xiàn)強規(guī)則I01∧I08→I03。此規(guī)則告訴我們發(fā)現(xiàn)如果某生的運球技能與防守戰(zhàn)術(shù)同時成績優(yōu)秀，則發(fā)現(xiàn)的該生在實踐活動中的投籃技能成績也一般為優(yōu)秀。通過該例，我們可以發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)算法可以發(fā)現(xiàn)學(xué)生學(xué)習(xí)中的一些隱藏的學(xué)習(xí)規(guī)律，而這些規(guī)律正好可供學(xué)習(xí)系統(tǒng)給學(xué)習(xí)者提供下一步個性化學(xué)習(xí)方案。

3 多項目集的Apriori算法改進

我們發(fā)現(xiàn)，由于Apriori算法對數(shù)據(jù)庫的掃描次數(shù)過多，所以在有限的內(nèi)存容量下存放大量的事務(wù)數(shù)據(jù)時，系統(tǒng)I/O負(fù)載會變大，每次掃描數(shù)據(jù)庫的時間就會越長。此外，如果學(xué)習(xí)系統(tǒng)中某一課程的知識節(jié)點太多而導(dǎo)致分析的頻繁項集個數(shù)太多會產(chǎn)生大量的侯選項集。這會導(dǎo)致運算時間顯著增加。所以根據(jù)不同的課程，我們可以改進Apriori算法，采用減低候選項目數(shù)量的方法，我們稱之為AprioriTid。此算法無需此次掃描數(shù)據(jù)庫，當(dāng)?shù)谝淮螔呙钄?shù)據(jù)庫之后，第二次只需要掃描前一次產(chǎn)生的項目集而不再需要完全的掃描數(shù)據(jù)庫，這樣就可以有效的減少了I/O負(fù)載和數(shù)據(jù)運算時間。

具體改進為在事務(wù)集TID中。當(dāng)k=1時，C1掃描數(shù)據(jù)庫D，C1=數(shù)據(jù)庫D，但當(dāng)k>1時，有算法產(chǎn)生Ck，Ck=apriori-gen（Lk-1）。

此外，我們還可以在AprioriTid的基礎(chǔ)上通過把項目集中一些無關(guān)的屬性先去掉以及通過把兩個元素結(jié)合在一起組成一個新屬性的辦法來減少工作量，又或者在產(chǎn)生頻繁k-項集以后去掉一些非頻繁項集來簡化掃描時間。以上兩種方法的結(jié)合使用類似于矩陣中逐漸去掉行與列。

4 現(xiàn)存的問題與思考

利用Apriori算法與AprioriTid算法，我們可以有效的挖掘出個性化學(xué)習(xí)中學(xué)習(xí)者的學(xué)習(xí)關(guān)聯(lián)，掌握學(xué)生的學(xué)習(xí)動態(tài)，進而更深入了了解學(xué)生的學(xué)習(xí)規(guī)律與特點。但是在分布式計算與學(xué)習(xí)增量的情況下，我們不得不需要進一步地改進算法，以適合當(dāng)前及未來的個性化學(xué)習(xí)系統(tǒng)發(fā)展的趨勢。

參考文獻(xiàn)

[1]劉美玲.基于數(shù)據(jù)挖掘技術(shù)的個性化學(xué)習(xí)系統(tǒng)研究[D].揚州：揚州大學(xué)，2009.

[2]盛立，高明，劉希玉.一種高效的關(guān)聯(lián)規(guī)則的算法研究[J].濱州學(xué)院學(xué)報，2005（12）.

[3]盛立，劉希玉，高明.數(shù)據(jù)關(guān)聯(lián)規(guī)則中AprioriTid[J].山東師范大學(xué)學(xué)報（自然科學(xué)版），2005（10）.

[4]李曼.Web日志挖掘技術(shù)在心靈家園網(wǎng)中的應(yīng)用研究[D].河南：河南大學(xué)，2013.

[5]何月順.關(guān)聯(lián)規(guī)則挖掘技術(shù)的研究及應(yīng)用[D].江蘇：南京航空航天大學(xué)，2010.

[6]王志強.基于遠(yuǎn)程教育網(wǎng)站的信息采集與數(shù)據(jù)挖掘技術(shù)研究[D].上海：華東師范大學(xué)，2007.endprint

Begin

FOR each （k-1）-subsets of c DO

IF S ? Ik-1 THEN

Return true；

Return False；

END

End

2 使用Apriori 算法獲得學(xué)習(xí)者的學(xué)習(xí)規(guī)則

關(guān)聯(lián)規(guī)則挖掘算法可以應(yīng)用在學(xué)生的成績分析上，如知識點與測試成績之間函數(shù)關(guān)系。通過對籃球課程的活動記錄與相應(yīng)的測試成績的數(shù)據(jù)分析，我們可以找到一些對今后指導(dǎo)學(xué)生課外學(xué)習(xí)的有用規(guī)律。其具體流程如下。

2.1 整理數(shù)據(jù)

學(xué)生的學(xué)習(xí)記錄庫中記錄了學(xué)生的個人信息與基本學(xué)習(xí)過程信息。如學(xué)生姓名、學(xué)號、學(xué)習(xí)風(fēng)格、學(xué)習(xí)時間、學(xué)習(xí)路徑、測試成績等內(nèi)容。整理數(shù)據(jù)的目的是為了使學(xué)生的數(shù)據(jù)記錄等符合Apriori算法所需的項目集開展數(shù)據(jù)挖掘，首先需要將關(guān)系表轉(zhuǎn)換成相應(yīng)的事務(wù)數(shù)據(jù)庫。

2.2 生成事物數(shù)據(jù)庫選擇自主學(xué)習(xí)內(nèi)容，以代碼代替

2.3 生成頻繁項集

通過以上的對應(yīng)抽象，我們可知事務(wù)集，假設(shè)最小支持度為25%，使用Apriori算法尋找D的所有頻繁項集。

2.4 關(guān)聯(lián)規(guī)則生成

在Apriori算法中，對于每一個頻繁k-項集都要找出其中所有可能的真子集，計算出相應(yīng)規(guī)則的置信度。當(dāng)我們發(fā)現(xiàn)某一規(guī)則的置信度大于設(shè)定的最小置信度就導(dǎo)出該規(guī)則。其中，每驗證一個項子集都要重新掃描一遍Ik-1。在對某學(xué)生的籃球?qū)W習(xí)記錄中分析，最小置信度閾值設(shè)置為75%則可以發(fā)現(xiàn)強規(guī)則I01∧I08→I03。此規(guī)則告訴我們發(fā)現(xiàn)如果某生的運球技能與防守戰(zhàn)術(shù)同時成績優(yōu)秀，則發(fā)現(xiàn)的該生在實踐活動中的投籃技能成績也一般為優(yōu)秀。通過該例，我們可以發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)算法可以發(fā)現(xiàn)學(xué)生學(xué)習(xí)中的一些隱藏的學(xué)習(xí)規(guī)律，而這些規(guī)律正好可供學(xué)習(xí)系統(tǒng)給學(xué)習(xí)者提供下一步個性化學(xué)習(xí)方案。

3 多項目集的Apriori算法改進

我們發(fā)現(xiàn)，由于Apriori算法對數(shù)據(jù)庫的掃描次數(shù)過多，所以在有限的內(nèi)存容量下存放大量的事務(wù)數(shù)據(jù)時，系統(tǒng)I/O負(fù)載會變大，每次掃描數(shù)據(jù)庫的時間就會越長。此外，如果學(xué)習(xí)系統(tǒng)中某一課程的知識節(jié)點太多而導(dǎo)致分析的頻繁項集個數(shù)太多會產(chǎn)生大量的侯選項集。這會導(dǎo)致運算時間顯著增加。所以根據(jù)不同的課程，我們可以改進Apriori算法，采用減低候選項目數(shù)量的方法，我們稱之為AprioriTid。此算法無需此次掃描數(shù)據(jù)庫，當(dāng)?shù)谝淮螔呙钄?shù)據(jù)庫之后，第二次只需要掃描前一次產(chǎn)生的項目集而不再需要完全的掃描數(shù)據(jù)庫，這樣就可以有效的減少了I/O負(fù)載和數(shù)據(jù)運算時間。

具體改進為在事務(wù)集TID中。當(dāng)k=1時，C1掃描數(shù)據(jù)庫D，C1=數(shù)據(jù)庫D，但當(dāng)k>1時，有算法產(chǎn)生Ck，Ck=apriori-gen（Lk-1）。

此外，我們還可以在AprioriTid的基礎(chǔ)上通過把項目集中一些無關(guān)的屬性先去掉以及通過把兩個元素結(jié)合在一起組成一個新屬性的辦法來減少工作量，又或者在產(chǎn)生頻繁k-項集以后去掉一些非頻繁項集來簡化掃描時間。以上兩種方法的結(jié)合使用類似于矩陣中逐漸去掉行與列。

4 現(xiàn)存的問題與思考

利用Apriori算法與AprioriTid算法，我們可以有效的挖掘出個性化學(xué)習(xí)中學(xué)習(xí)者的學(xué)習(xí)關(guān)聯(lián)，掌握學(xué)生的學(xué)習(xí)動態(tài)，進而更深入了了解學(xué)生的學(xué)習(xí)規(guī)律與特點。但是在分布式計算與學(xué)習(xí)增量的情況下，我們不得不需要進一步地改進算法，以適合當(dāng)前及未來的個性化學(xué)習(xí)系統(tǒng)發(fā)展的趨勢。

參考文獻(xiàn)

[1]劉美玲.基于數(shù)據(jù)挖掘技術(shù)的個性化學(xué)習(xí)系統(tǒng)研究[D].揚州：揚州大學(xué)，2009.

[2]盛立，高明，劉希玉.一種高效的關(guān)聯(lián)規(guī)則的算法研究[J].濱州學(xué)院學(xué)報，2005（12）.

[3]盛立，劉希玉，高明.數(shù)據(jù)關(guān)聯(lián)規(guī)則中AprioriTid[J].山東師范大學(xué)學(xué)報（自然科學(xué)版），2005（10）.

[4]李曼.Web日志挖掘技術(shù)在心靈家園網(wǎng)中的應(yīng)用研究[D].河南：河南大學(xué)，2013.

[5]何月順.關(guān)聯(lián)規(guī)則挖掘技術(shù)的研究及應(yīng)用[D].江蘇：南京航空航天大學(xué)，2010.

[6]王志強.基于遠(yuǎn)程教育網(wǎng)站的信息采集與數(shù)據(jù)挖掘技術(shù)研究[D].上海：華東師范大學(xué)，2007.endprint

Begin

FOR each （k-1）-subsets of c DO

IF S ? Ik-1 THEN

Return true；

Return False；

END

End

2 使用Apriori 算法獲得學(xué)習(xí)者的學(xué)習(xí)規(guī)則

關(guān)聯(lián)規(guī)則挖掘算法可以應(yīng)用在學(xué)生的成績分析上，如知識點與測試成績之間函數(shù)關(guān)系。通過對籃球課程的活動記錄與相應(yīng)的測試成績的數(shù)據(jù)分析，我們可以找到一些對今后指導(dǎo)學(xué)生課外學(xué)習(xí)的有用規(guī)律。其具體流程如下。

2.1 整理數(shù)據(jù)

學(xué)生的學(xué)習(xí)記錄庫中記錄了學(xué)生的個人信息與基本學(xué)習(xí)過程信息。如學(xué)生姓名、學(xué)號、學(xué)習(xí)風(fēng)格、學(xué)習(xí)時間、學(xué)習(xí)路徑、測試成績等內(nèi)容。整理數(shù)據(jù)的目的是為了使學(xué)生的數(shù)據(jù)記錄等符合Apriori算法所需的項目集開展數(shù)據(jù)挖掘，首先需要將關(guān)系表轉(zhuǎn)換成相應(yīng)的事務(wù)數(shù)據(jù)庫。

2.2 生成事物數(shù)據(jù)庫選擇自主學(xué)習(xí)內(nèi)容，以代碼代替

2.3 生成頻繁項集

通過以上的對應(yīng)抽象，我們可知事務(wù)集，假設(shè)最小支持度為25%，使用Apriori算法尋找D的所有頻繁項集。

2.4 關(guān)聯(lián)規(guī)則生成

在Apriori算法中，對于每一個頻繁k-項集都要找出其中所有可能的真子集，計算出相應(yīng)規(guī)則的置信度。當(dāng)我們發(fā)現(xiàn)某一規(guī)則的置信度大于設(shè)定的最小置信度就導(dǎo)出該規(guī)則。其中，每驗證一個項子集都要重新掃描一遍Ik-1。在對某學(xué)生的籃球?qū)W習(xí)記錄中分析，最小置信度閾值設(shè)置為75%則可以發(fā)現(xiàn)強規(guī)則I01∧I08→I03。此規(guī)則告訴我們發(fā)現(xiàn)如果某生的運球技能與防守戰(zhàn)術(shù)同時成績優(yōu)秀，則發(fā)現(xiàn)的該生在實踐活動中的投籃技能成績也一般為優(yōu)秀。通過該例，我們可以發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)算法可以發(fā)現(xiàn)學(xué)生學(xué)習(xí)中的一些隱藏的學(xué)習(xí)規(guī)律，而這些規(guī)律正好可供學(xué)習(xí)系統(tǒng)給學(xué)習(xí)者提供下一步個性化學(xué)習(xí)方案。

3 多項目集的Apriori算法改進

我們發(fā)現(xiàn)，由于Apriori算法對數(shù)據(jù)庫的掃描次數(shù)過多，所以在有限的內(nèi)存容量下存放大量的事務(wù)數(shù)據(jù)時，系統(tǒng)I/O負(fù)載會變大，每次掃描數(shù)據(jù)庫的時間就會越長。此外，如果學(xué)習(xí)系統(tǒng)中某一課程的知識節(jié)點太多而導(dǎo)致分析的頻繁項集個數(shù)太多會產(chǎn)生大量的侯選項集。這會導(dǎo)致運算時間顯著增加。所以根據(jù)不同的課程，我們可以改進Apriori算法，采用減低候選項目數(shù)量的方法，我們稱之為AprioriTid。此算法無需此次掃描數(shù)據(jù)庫，當(dāng)?shù)谝淮螔呙钄?shù)據(jù)庫之后，第二次只需要掃描前一次產(chǎn)生的項目集而不再需要完全的掃描數(shù)據(jù)庫，這樣就可以有效的減少了I/O負(fù)載和數(shù)據(jù)運算時間。

具體改進為在事務(wù)集TID中。當(dāng)k=1時，C1掃描數(shù)據(jù)庫D，C1=數(shù)據(jù)庫D，但當(dāng)k>1時，有算法產(chǎn)生Ck，Ck=apriori-gen（Lk-1）。

此外，我們還可以在AprioriTid的基礎(chǔ)上通過把項目集中一些無關(guān)的屬性先去掉以及通過把兩個元素結(jié)合在一起組成一個新屬性的辦法來減少工作量，又或者在產(chǎn)生頻繁k-項集以后去掉一些非頻繁項集來簡化掃描時間。以上兩種方法的結(jié)合使用類似于矩陣中逐漸去掉行與列。

4 現(xiàn)存的問題與思考

利用Apriori算法與AprioriTid算法，我們可以有效的挖掘出個性化學(xué)習(xí)中學(xué)習(xí)者的學(xué)習(xí)關(guān)聯(lián)，掌握學(xué)生的學(xué)習(xí)動態(tài)，進而更深入了了解學(xué)生的學(xué)習(xí)規(guī)律與特點。但是在分布式計算與學(xué)習(xí)增量的情況下，我們不得不需要進一步地改進算法，以適合當(dāng)前及未來的個性化學(xué)習(xí)系統(tǒng)發(fā)展的趨勢。

參考文獻(xiàn)

[1]劉美玲.基于數(shù)據(jù)挖掘技術(shù)的個性化學(xué)習(xí)系統(tǒng)研究[D].揚州：揚州大學(xué)，2009.

[2]盛立，高明，劉希玉.一種高效的關(guān)聯(lián)規(guī)則的算法研究[J].濱州學(xué)院學(xué)報，2005（12）.

[3]盛立，劉希玉，高明.數(shù)據(jù)關(guān)聯(lián)規(guī)則中AprioriTid[J].山東師范大學(xué)學(xué)報（自然科學(xué)版），2005（10）.

[4]李曼.Web日志挖掘技術(shù)在心靈家園網(wǎng)中的應(yīng)用研究[D].河南：河南大學(xué)，2013.

[5]何月順.關(guān)聯(lián)規(guī)則挖掘技術(shù)的研究及應(yīng)用[D].江蘇：南京航空航天大學(xué)，2010.

[6]王志強.基于遠(yuǎn)程教育網(wǎng)站的信息采集與數(shù)據(jù)挖掘技術(shù)研究[D].上海：華東師范大學(xué)，2007.endprint