余 如，黃麗霞，黃名選

(廣西教育學(xué)院，廣西 南寧 530023)

0 引言

教育信息化的迅猛發(fā)展使教育系統(tǒng)積累了海量的教育信息化數(shù)據(jù)，如何從這些教育信息數(shù)據(jù)中發(fā)現(xiàn)潛在的、有用的教育模型、教學(xué)模式和數(shù)據(jù)間的各種關(guān)聯(lián)，以便更好地為教育教學(xué)決策提供科學(xué)依據(jù)，是近年來(lái)一個(gè)重要的研究熱點(diǎn)。針對(duì)這些問(wèn)題，教育數(shù)據(jù)挖掘應(yīng)運(yùn)而生，并得到蓬勃發(fā)展，被國(guó)內(nèi)外專家學(xué)者廣泛關(guān)注和研究。教育數(shù)據(jù)挖掘是一個(gè)多學(xué)科的研究領(lǐng)域，是數(shù)據(jù)挖掘技術(shù)在教育系統(tǒng)領(lǐng)域的具體應(yīng)用，涉及教育學(xué)、計(jì)算機(jī)科學(xué)和統(tǒng)計(jì)學(xué)等學(xué)科，是一種從教育系統(tǒng)中各種原始數(shù)據(jù)發(fā)現(xiàn)事先未知的，但具有價(jià)值的和有用的教育信息和模式的過(guò)程。不同學(xué)者從不同的角度和方法對(duì)教育數(shù)據(jù)挖掘進(jìn)行研究，其中在教務(wù)管理［1-2］、成績(jī)分析［3-10］、教育評(píng)價(jià)［11-12］等方面取得了豐碩的研究成果。文獻(xiàn)［1］應(yīng)用關(guān)聯(lián)規(guī)則挖掘(Apriori算法［13］)方法對(duì)高校研究生課程、學(xué)生計(jì)劃、課程成績(jī)等數(shù)據(jù)進(jìn)行挖掘，試圖發(fā)現(xiàn)數(shù)據(jù)間的相關(guān)性和依存性，為研究生課程體系設(shè)置提供有效的決策支持。文獻(xiàn)［2］采用傳統(tǒng)的數(shù)據(jù)挖掘方法挖掘教學(xué)環(huán)境數(shù)據(jù)中的學(xué)生行為模式，為教務(wù)管理提供科學(xué)依據(jù)。文獻(xiàn)［3-8］利用傳統(tǒng)的關(guān)聯(lián)規(guī)則挖掘方法對(duì)課程考試成績(jī)數(shù)據(jù)進(jìn)行挖掘，發(fā)現(xiàn)和分析課程間的相關(guān)性，取得了良好的效果。文獻(xiàn)［9-10］對(duì)課程考試成績(jī)數(shù)據(jù)引入加權(quán)關(guān)聯(lián)規(guī)則挖掘方法，克服了傳統(tǒng)的挖掘方法沒(méi)有考慮項(xiàng)目權(quán)值的缺陷。文獻(xiàn)［11-12］將關(guān)聯(lián)規(guī)則挖掘方法引入課程評(píng)價(jià)和教學(xué)評(píng)價(jià)，對(duì)網(wǎng)絡(luò)課程資源和教學(xué)評(píng)價(jià)數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)分析，試圖發(fā)現(xiàn)有價(jià)值的數(shù)據(jù)模式和評(píng)價(jià)模式，為教學(xué)管理提供合理、科學(xué)的決策支持。

綜上所述，數(shù)據(jù)挖掘技術(shù)在課程考試成績(jī)數(shù)據(jù)分析中得到了廣泛的應(yīng)用。其所用的挖掘技術(shù)主要是傳統(tǒng)的項(xiàng)無(wú)加權(quán)關(guān)聯(lián)規(guī)則挖掘方法(如Apriori算法)以及項(xiàng)加權(quán)關(guān)聯(lián)規(guī)則挖掘方法。這些方法都存在難以避免的缺陷，即所得到的數(shù)據(jù)關(guān)聯(lián)模式會(huì)存在很多無(wú)效的和不準(zhǔn)確的模式。主要原因是:課程考試成績(jī)數(shù)據(jù)的一個(gè)顯著特點(diǎn)是不僅課程之間具有不同的重要性，而且每門(mén)課程對(duì)不同的學(xué)生也具有不同的重要性。項(xiàng)無(wú)加權(quán)關(guān)聯(lián)規(guī)則挖掘方法顯然沒(méi)有考慮課程成績(jī)數(shù)據(jù)的這些特點(diǎn)，只考慮課程在數(shù)據(jù)庫(kù)中出現(xiàn)的頻度，并且將數(shù)據(jù)庫(kù)中各個(gè)課程以平等一致的方式處理，不考慮課程之間和課程在學(xué)生中具有不同的重要性。項(xiàng)加權(quán)關(guān)聯(lián)規(guī)則挖掘方法雖然引入了課程項(xiàng)目權(quán)重，以體現(xiàn)課程之間具有不同的重要性，但沒(méi)有重視課程在學(xué)生中具有不同的重要性。針對(duì)上述問(wèn)題，本文提出基于矩陣加權(quán)模式發(fā)現(xiàn)技術(shù)的課程成績(jī)數(shù)據(jù)關(guān)聯(lián)模式發(fā)現(xiàn)與分析方法，對(duì)課程考試成績(jī)數(shù)據(jù)進(jìn)行關(guān)聯(lián)模式挖掘，不僅考慮課程在課程成績(jī)數(shù)據(jù)庫(kù)中出現(xiàn)的頻度和課程間的不同重要性，而且還重視課程在不同學(xué)生中具有不同的重要性，有效地克服了現(xiàn)有課程成績(jī)關(guān)聯(lián)模式發(fā)現(xiàn)方法的缺陷，得到的數(shù)據(jù)關(guān)聯(lián)模式更有效、更合理，通過(guò)模式分析發(fā)現(xiàn)課程教學(xué)中的教學(xué)規(guī)律和問(wèn)題，為教學(xué)管理、教學(xué)改革與決策提供科學(xué)依據(jù)。

1 基本概念

1.1 課程成績(jī)數(shù)據(jù)模型

教育信息化進(jìn)程中積累了大量的課程考試成績(jī)數(shù)據(jù)，這些數(shù)據(jù)的特點(diǎn)是每個(gè)學(xué)生選修了若干門(mén)課程，每門(mén)課程成績(jī)隨著學(xué)生的不同而變化。將課程成績(jī)數(shù)據(jù)庫(kù)中的課程當(dāng)作項(xiàng)目，課程成績(jī)當(dāng)作項(xiàng)目權(quán)值，每個(gè)學(xué)生記錄當(dāng)作一個(gè)事務(wù)記錄，則課程考試成績(jī)數(shù)據(jù)模型可以描述如下。

設(shè)Course={s1，s2，…，sn}是課程成績(jī)數(shù)據(jù)庫(kù)(CD:Course Database)，si(1≤i≤n)表示CD 中的第i個(gè)學(xué)生(student)記錄，subject={c1，c2，…，cm}表示CD中所有課程(Course)項(xiàng)目集合，cj(1≤j≤m)表示 CD 中第 j個(gè)課程項(xiàng)目，r［si］［cj］(1≤i≤n，1≤j≤m)表示第j門(mén)課程cj在學(xué)生記錄si中的成績(jī)(權(quán)值)，如 cj?si，則 cj在該學(xué)生記錄 si的成績(jī)權(quán)值 r［si］［cj］=0，課程成績(jī)數(shù)據(jù)模型可以用表1表示。

課程項(xiàng)目權(quán)值隨著學(xué)生事務(wù)記錄不同而變化的課程成績(jī)數(shù)據(jù)稱為矩陣加權(quán)課程成績(jī)數(shù)據(jù)，也稱為完全加權(quán)課程成績(jī)數(shù)據(jù)。

表1 課程成績(jī)數(shù)據(jù)庫(kù)(CD)

1.2 基本概念

考察課程成績(jī)數(shù)據(jù)庫(kù)(CD)，設(shè)I1，I2是其課程項(xiàng)集subject的2個(gè)子項(xiàng)集，I1={c1，c2，…，cm1}(m1＜ m)，I2={c1，c2，…，cm2}(m2 ＜ m)，I1?subject，I2?subject，且I1∩I2=Φ，參照傳統(tǒng)的支持度和置信度概念，給出如下基本定義。

定義1 矩陣加權(quán)課程關(guān)聯(lián)模式。矩陣加權(quán)課程關(guān)聯(lián)模式指的是矩陣加權(quán)課程項(xiàng)目集(I1，I2)的關(guān)聯(lián)規(guī)則:I1→I2。

定義2 矩陣加權(quán)課程項(xiàng)集支持度(matrixweighted course support，簡(jiǎn)稱 mwcsup)。參照文獻(xiàn)［14］的完全加權(quán)支持度定義，給出mwcsup(I)的定義。mwcsup(I)指的是矩陣加權(quán)課程項(xiàng)集I在課程成績(jī)數(shù)據(jù)庫(kù)(CD)各個(gè)學(xué)生事務(wù)記錄中的權(quán)值之和與學(xué)生事務(wù)記錄總數(shù)n和課程項(xiàng)集I的項(xiàng)目個(gè)數(shù)k乘積的比值，即:

定義3 矩陣加權(quán)課程關(guān)聯(lián)模式置信度(matrixweighted course confidence，簡(jiǎn)稱mwcconf)。參照文獻(xiàn)［14］的完全加權(quán)關(guān)聯(lián)規(guī)則置信度定義，給出矩陣加權(quán)課程關(guān)聯(lián)規(guī)則置信度計(jì)算公式，即:

式(2)中，k1為項(xiàng)集I1的課程項(xiàng)目個(gè)數(shù)，k12為項(xiàng)集(I1∪I2)的課程項(xiàng)目個(gè)數(shù)。

定義4 矩陣加權(quán)課程強(qiáng)關(guān)聯(lián)模式。給定最小矩陣加權(quán)課程項(xiàng)集支持度閾值minmwcsup和最小矩陣加權(quán)課程關(guān)聯(lián)規(guī)則置信度閾值minmwcconf。如果矩陣加權(quán)課程關(guān)聯(lián)模式(I1→I2)滿足以下4個(gè)條件，就稱為矩陣加權(quán)課程強(qiáng)關(guān)聯(lián)模式:(1)mwcsup(I1)≥minmwcsup;(2)mwcsup(I2)≥minmwcsup;(3)mwcsup(I1∪I2)≥minmwcsup;(4)mwcconf(I1→I2)≥minmwcconf。

2 課程成績(jī)數(shù)據(jù)關(guān)聯(lián)模式發(fā)現(xiàn)算法

2.1 基本思想

課程成績(jī)數(shù)據(jù)關(guān)聯(lián)模式發(fā)現(xiàn)的基本思想是:首先對(duì)課程成績(jī)數(shù)據(jù)進(jìn)行預(yù)處理，建立矩陣加權(quán)課程成績(jī)數(shù)據(jù)庫(kù)和課程項(xiàng)目庫(kù);然后，在課程成績(jī)數(shù)據(jù)庫(kù)中挖掘矩陣加權(quán)候選課程1-項(xiàng)集，根據(jù)課程項(xiàng)集支持度與minmwcsup的比較得出頻繁課程1-項(xiàng)集;從2-項(xiàng)集起，由候選(i-1)-項(xiàng)集(i≥2)進(jìn)行 Apriori連接［13］生成候選i-項(xiàng)集，通過(guò)候選i-項(xiàng)集支持度與k-項(xiàng)集(k≥2)的k-支持期望［14］和最小矩陣加權(quán)課程項(xiàng)集支持度閾值minmwcsup的比較，采用逐層搜索的策略生成矩陣加權(quán)課程頻繁k-項(xiàng)集;最后，根據(jù)矩陣加權(quán)課程關(guān)聯(lián)模式支持度和置信度與minmwcsup和minmwcconf的比較，從矩陣加權(quán)課程頻繁項(xiàng)集挖掘出矩陣加權(quán)課程強(qiáng)關(guān)聯(lián)模式，并且對(duì)這些模式進(jìn)行有效的分析。

2.2 算法描述

輸入:課程成績(jī)數(shù)據(jù)庫(kù)(CD)，minmwcsup和minmwcconf。

輸出:矩陣加權(quán)課程強(qiáng)關(guān)聯(lián)模式。

Begin

(1)對(duì)課程成績(jī)數(shù)據(jù)進(jìn)行預(yù)處理:為了讓課程成績(jī)權(quán)值在0至1之間，將成績(jī)除以100;將沒(méi)有成績(jī)的課程一律設(shè)置為0，建立課程成績(jī)數(shù)據(jù)庫(kù)和課程項(xiàng)目庫(kù)，課程項(xiàng)目庫(kù)包括學(xué)生選修的所有課程，課程成績(jī)數(shù)據(jù)庫(kù)包括所有學(xué)生的課程成績(jī)。

(2)從課程項(xiàng)目庫(kù)中提取課程候選1-項(xiàng)集，計(jì)算矩陣加權(quán)課程候選1-項(xiàng)集支持度和2-項(xiàng)集的2-支持期望，將項(xiàng)集支持度與minmwcsup比較得出課程頻繁1-項(xiàng)集。

(3)從2-項(xiàng)集起，通過(guò)連接候選(i-1)-項(xiàng)集(i≥2)進(jìn)行Apriori連接得到課程候選i-項(xiàng)集。

(4)刪除課程候選i-項(xiàng)集中含有i-支持期望的(i-1)-項(xiàng)集的所有課程候選i-項(xiàng)集。

(5)如果課程候選i-項(xiàng)集不為空集，計(jì)算其矩陣加權(quán)支持度和i-支持期望，同時(shí)刪除其支持度為0的課程候選i-項(xiàng)集。

(6)將課程候選i-項(xiàng)集支持度與minmwcsup比較得出矩陣加權(quán)課程頻繁i-項(xiàng)集。

(7)i加1后，重復(fù)步驟(3)到步驟(6)，直到課程候選i-項(xiàng)集為空，頻繁項(xiàng)集挖掘結(jié)束，轉(zhuǎn)入步驟(8)。

(8)對(duì)于矩陣加權(quán)課程頻繁i-項(xiàng)集I，如果存在項(xiàng)集 I1?I，I2?I，(I1∪I2)=I，(I1∩I2)= Φ，mwcsup(I1)≥minmwcsup，mwcsup(I2)≥minmwcsup，mwcsup(I1∪I2)≥minmwcsup，mwcconf(I1→I2)≥minmwcconf以及 mwcconf(I2→I1)≥minmwcconf，則得出矩陣加權(quán)課程關(guān)聯(lián)模式I1→I2和I2→I1。

(9)輸出矩陣加權(quán)課程關(guān)聯(lián)模式。

(10)挖掘結(jié)束。

End

3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于教務(wù)部門(mén)真實(shí)的課程考試成績(jī)數(shù)據(jù)，選擇歷屆畢業(yè)生在校考試成績(jī)數(shù)據(jù)作為本文實(shí)驗(yàn)數(shù)據(jù)測(cè)試集，共500位學(xué)生，學(xué)生選修的課程有53門(mén)，經(jīng)過(guò)二維處理，得出如表2所示的課程成績(jī)數(shù)據(jù)庫(kù)(CD)。

表2 歷屆畢業(yè)生課程成績(jī)數(shù)據(jù)庫(kù)(CD)

實(shí)驗(yàn)數(shù)據(jù)預(yù)處理如下:(1)將成績(jī)都除以100，使成績(jī)數(shù)據(jù)在0到1之間;(2)將課程名稱用I代號(hào)表示，如現(xiàn)代文學(xué)用I1表示，文學(xué)概論用I2表示等。

3.2 實(shí)驗(yàn)結(jié)果及分析

編寫(xiě)了課程考試成績(jī)數(shù)據(jù)關(guān)聯(lián)模式發(fā)現(xiàn)方法的實(shí)驗(yàn)源程序，將傳統(tǒng)的 Apriori算法［13］作為對(duì)比算法，2種方法挖掘出的課程關(guān)聯(lián)模式如表3、表4和表5所示。

表3 兩種方法挖掘出的課程候選項(xiàng)集數(shù)量比較

表3表明，本文方法和Apriori算法所挖掘出的課程候選項(xiàng)集數(shù)量基本一樣，主要原因是本文方法中產(chǎn)生候選項(xiàng)集的方法和Apriori算法的一樣，即候選i-項(xiàng)集都是由候選(i-1)-項(xiàng)集通過(guò)Apriori連接生成。

表4 兩種方法挖掘出的課程頻繁項(xiàng)集數(shù)量比較

表5 兩種方法挖掘出的課程關(guān)聯(lián)規(guī)則數(shù)量比較

表4和表5表明，本文方法挖掘出的課程關(guān)聯(lián)模式數(shù)量(即課程頻繁項(xiàng)集和課程關(guān)聯(lián)規(guī)則數(shù)量)比Apriori算法的少得多，其中頻繁1-項(xiàng)集的數(shù)量平均減少61.11%，頻繁2-項(xiàng)集的數(shù)量平均減少66.48%，頻繁3-項(xiàng)集的數(shù)量平均減少73.58%，關(guān)聯(lián)規(guī)則數(shù)量平均減少80.62%，說(shuō)明本文所使用的方法比傳統(tǒng)的Apriori算法更有效、更合理。主要的原因分析如下:Apriori算法只考慮課程項(xiàng)目出現(xiàn)的頻次，即課程是否被學(xué)生選修，或者說(shuō)同一門(mén)課程被多少學(xué)生選修，并不考慮課程被學(xué)生選修后學(xué)習(xí)的效果(即學(xué)習(xí)成績(jī))，因而，Apriori算法挖掘出的課程關(guān)聯(lián)模式只能反映課程選修關(guān)系的關(guān)聯(lián)模式，表明某門(mén)課或者某幾門(mén)課的選修應(yīng)該先選修哪些課程等。一般來(lái)說(shuō)，在學(xué)校環(huán)境中，課程被選修的機(jī)會(huì)都會(huì)很多，因此，課程項(xiàng)目頻度很高而且差別不大是教育信息化課程數(shù)據(jù)的顯著特點(diǎn)之一，這樣的特點(diǎn)導(dǎo)致Apriori算法挖掘出的課程關(guān)聯(lián)模式特別龐大，無(wú)效的模式就會(huì)增多。另外，從實(shí)驗(yàn)中還發(fā)現(xiàn)，上述的特點(diǎn)使得課程關(guān)聯(lián)模式的支持度都在0.9以上，導(dǎo)致表4和表5的頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則數(shù)量在支持度為0.9以下都保持一致，沒(méi)有發(fā)生變化。本文方法克服了Apriori算法的缺陷，不僅考慮課程的選修頻次，還特別重視學(xué)生選修和學(xué)習(xí)課程的效果，即考慮課程成績(jī)，把課程成績(jī)當(dāng)成權(quán)重處理，這樣挖掘出來(lái)的關(guān)聯(lián)模式不僅表明了課程的選修關(guān)系，還特別表明了課程之間的學(xué)習(xí)效果關(guān)系，即學(xué)好了某門(mén)課或者某幾門(mén)課程就能學(xué)好哪些課程等。由于是以課程成績(jī)作為項(xiàng)目權(quán)重，挖掘的課程關(guān)聯(lián)模式顯然少了，同時(shí)其模式能客觀地反映課程學(xué)習(xí)效果關(guān)系。

3.3 矩陣加權(quán)課程關(guān)聯(lián)模式實(shí)例分析

課程成績(jī)數(shù)據(jù)關(guān)聯(lián)模式發(fā)現(xiàn)方法挖掘出的關(guān)聯(lián)模式實(shí)例及其對(duì)應(yīng)的支持度和置信度如表6所示。

表6 課程成績(jī)數(shù)據(jù)關(guān)聯(lián)模式實(shí)例

從表6可以知道，在159位學(xué)生中，有80.06%的學(xué)生選修了《古代文學(xué)(一)》的同時(shí)選修了《文學(xué)概論(二)》和《古代文學(xué)(二)》，并且在選修了《古代文學(xué)(一)》的學(xué)生中，學(xué)好《古代文學(xué)(一)》課程就能學(xué)好《文學(xué)概論(二)》和《古代文學(xué)(二)》，其可信度高達(dá)99.08%。同理，選修《古代文學(xué)(一)》課程后再選修《文學(xué)概論(二)》的有80.9%的學(xué)生，學(xué)好《古代文學(xué)(一)》就能學(xué)好《文學(xué)概論(二)》，其可信度達(dá)100%。再如，學(xué)好《古代文學(xué)(二)》就能把《文學(xué)概論(二)》學(xué)好，并能把畢業(yè)論文做好等，通過(guò)這些關(guān)聯(lián)模式分析可以發(fā)現(xiàn)教務(wù)管理以及課程教學(xué)中的教學(xué)規(guī)律和問(wèn)題，為教學(xué)管理、教學(xué)改革與決策提供科學(xué)依據(jù)。

4 結(jié)束語(yǔ)

處于數(shù)字化時(shí)代的校園教務(wù)環(huán)境累積了海量的教育信息化數(shù)據(jù)，這些數(shù)據(jù)是研究教育系統(tǒng)領(lǐng)域中各種教育規(guī)律、教育模式等的寶貴資源。本文以真實(shí)的學(xué)生課程成績(jī)數(shù)據(jù)為數(shù)據(jù)集，研究在課程成績(jī)數(shù)據(jù)庫(kù)中發(fā)現(xiàn)課程關(guān)聯(lián)模式的方法，采用矩陣加權(quán)模式發(fā)現(xiàn)技術(shù)發(fā)現(xiàn)課程成績(jī)數(shù)據(jù)中隱藏的數(shù)據(jù)關(guān)聯(lián)規(guī)則。通過(guò)規(guī)則分析得出課程教學(xué)中的教學(xué)規(guī)律和問(wèn)題，為教學(xué)管理、教學(xué)改革與決策提供科學(xué)依據(jù)。實(shí)驗(yàn)表明，與現(xiàn)有的數(shù)據(jù)關(guān)聯(lián)模式發(fā)現(xiàn)方法比較，本文的方法更有效、合理。下一步的研究將不斷地完善挖掘方法，加大實(shí)驗(yàn)數(shù)據(jù)量，擴(kuò)展到教育領(lǐng)域的各種數(shù)據(jù)關(guān)聯(lián)模式的挖掘，以便能發(fā)現(xiàn)更多、更準(zhǔn)確和更合理的教育模式和規(guī)律。

［1］李蕓，瞿偉，張文.數(shù)據(jù)挖掘技術(shù)在研究生教育管理工作中的應(yīng)用［J］.西安建筑科技大學(xué)學(xué)報(bào):社會(huì)科學(xué)版，2009，28(4):70-74.

［2］Hogyeong Jeong，Gautam Biswas.Mining student behavior models in learning-by-teaching environments［C］//Proceedings of the 1st International Conference on Educational Data Mining.Montreal，Canada，2008:127-136.

［3］方毅，張春元.基于數(shù)據(jù)挖掘的多策略研究生教育課程成績(jī)分析方法研究［J］.計(jì)算機(jī)工程與科學(xué)，2009，31(6):106-108.

［4］Agathe Merceron，Kalina Yacef.Interestingness measures for association rules in educational data［C］//Proceedings of the 1st International Conference on Educational Data Mining.Montreal，Canada，2008:57-66.

［5］湛德照.基于關(guān)聯(lián)規(guī)則的考試數(shù)據(jù)挖掘［J］.五邑大學(xué)學(xué)報(bào):自然科學(xué)版，2009，23(2):64-68.

［6］侯亞榮，萬(wàn)雅奇，張書(shū)杰.教育考試數(shù)據(jù)挖掘的研究與實(shí)現(xiàn)［J］.計(jì)算機(jī)工程與應(yīng)用，2008，44(16):132-134.

［7］Merceron A，Yacef K.Revisiting interestingness of strong symmetric association rules in educational data［C］//Proceedings of the 2007 International Workshop on Applying Data Mining in e-Learning(ADML’07).Crete，Greece，2007:3-12.

［8］Minaei-Bidgoli B，Tan P-N，Punch W F.Mining interesting contrast rules for a Web-based educational system［C］//Proceedings of the 2004 International Conference on Machine Learning and Applications(ICMLA 2004).Louisville，USA，2004:320-327.

［9］陳世保，徐峰，吳國(guó)鳳.基于難度系數(shù)的加權(quán)關(guān)聯(lián)規(guī)則在試卷評(píng)估中的應(yīng)用［J］.井岡山大學(xué)學(xué)報(bào):自然科學(xué)版，2013，34(1):70-74.

［10］劉建煒，張穎.基于加權(quán)關(guān)聯(lián)規(guī)則算法的學(xué)生成績(jī)數(shù)據(jù)挖掘研究［J］.福建教育學(xué)院學(xué)報(bào)，2012(3):122-125.

［11］王滿，徐朝軍.網(wǎng)絡(luò)課程資源自動(dòng)量化評(píng)價(jià)研究［J］.現(xiàn)代圖書(shū)情報(bào)技術(shù)，2010(1):88-93.

［12］李橋，陽(yáng)春華.關(guān)聯(lián)規(guī)則Apriori算法在教學(xué)評(píng)價(jià)中的應(yīng)用［J］.計(jì)算機(jī)與數(shù)字工程，2010，38(6):49-51，81.

［13］Agrawal R，Imielinski T，Swami A.Mining association rules between sets of items in large database［C］//Proceeding of the 1993 ACM SIGMOD International Conference on Management of Data.Washington D C，1993:207-216.

［14］譚義紅，林亞平.向量空間模型中完全加權(quán)關(guān)聯(lián)規(guī)則的挖掘［J］.計(jì)算機(jī)工程與應(yīng)用，2003，39(13):208-211.