陳小健，宋承繼

（陜西工業(yè)職業(yè)技術學院 科研處，陜西 咸陽 712000）

高?？蒲许椖抗芾頂?shù)據(jù)中蘊藏著大量的科研信息資源，科研量化和評價的各項指標是科研項目信息管理的關鍵。常見的量化和評價指標包含：項目級別、項目類型、申請經(jīng)費等主要信息，有效利用這些指標可以為今后科研項目管理指明工作的重點，但隱藏在大量數(shù)據(jù)中的關系、趨勢等信息卻無法從項目孤立的指標中獲得。通過數(shù)據(jù)挖掘的方式對科研量化數(shù)據(jù)的指標進行深層次挖掘，分析各項指標間隱藏的內在聯(lián)系，將科研項目量化與評價作為科研項目管理的基本依據(jù)，有利于優(yōu)化科研項目產(chǎn)業(yè)化結構，有利于更加客觀的分析各項量化和評價指標的科學性，從而找出更加豐富和有價值的科研信息，將會為管理決策者提供更為科學有效的理論依據(jù)。

1 關聯(lián)規(guī)則挖掘

數(shù)據(jù)挖掘（Data Mining），是指從存放在數(shù)據(jù)庫、數(shù)據(jù)倉庫或其他信息庫中的大量數(shù)據(jù)中挖掘有趣知識的過程。該過程包含：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)選擇、數(shù)據(jù)變換、數(shù)據(jù)挖掘、模式評估和知識表示。用戶可以根據(jù)這些興趣知識發(fā)現(xiàn)數(shù)據(jù)中潛在的價值和規(guī)則，供用戶在決策時有一定的依據(jù)可循。關聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的重要方法之一，關聯(lián)規(guī)則挖掘的目的就是通過分析數(shù)據(jù)間的聯(lián)系或關系發(fā)現(xiàn)給定數(shù)據(jù)集中項之間的有趣聯(lián)系，從而確定不同數(shù)據(jù)之間的關聯(lián)規(guī)則[1]。

1.1 關聯(lián)規(guī)則的定義

設I={i1，i2，…，im}是項的集合。設任務相關的數(shù)據(jù)D是數(shù)據(jù)庫事務的集合，其中每個事務T是項的集合，使得T?I。每個事務有一個表示符，稱作TID。設A是一個項集，事務T包含A當且僅當A?T。

關聯(lián)規(guī)則是形如A?B的蘊涵式，其中，并且。關聯(lián)規(guī)則的強度可以用它的置信度（Confidence）和支持度（Support）進行度量[2]。支持度（Support）是指在事務數(shù)據(jù)庫D中A∪B的百分比，記為Support（A）。項目集A和B同時出現(xiàn)的頻率即支持度為：Support（A?B）=P（A∪B），支持度應用于發(fā)現(xiàn)頻率出現(xiàn)較大的項目集，低支持度的規(guī)則是沒有意義的，一般會被刪除。置信度（Confidence）是指在事務數(shù)據(jù)庫D中包含A的事務同時也包含 B 的百分比：Confidence（A?B）=P（B|A）。 置信度應用于在頻繁項目集中發(fā)現(xiàn)頻率較大的關聯(lián)規(guī)則[3]，置信度越高，表示B在包含A的事務中出現(xiàn)的可能性就越大。

1.2 AprioriTid算法

AprioriTid算法是在Apriori[4]算法基礎上改進的關聯(lián)規(guī)則挖掘的經(jīng)典算法[5]。Apriori算法使用了基于支持度和置信度的逐層搜索迭代方法，通過“連接步”和“剪枝步”找出數(shù)據(jù)庫中的最大頻繁項集，從而得到符合最小置信度和最小支持度的關聯(lián)規(guī)則。AprioriTid算法在Apriori算法的基礎上通過一次遍歷數(shù)據(jù)庫D之后，產(chǎn)生數(shù)據(jù)集C1，在后續(xù)歷次掃描數(shù)據(jù)集中使用數(shù)據(jù)集合Ck（k＞1）代替數(shù)據(jù)庫D，在 Ck中的元素表示采用元組（TID，{Xk}）表示，其中{Xk}是用TID唯一標識的事務包含的k維頻繁項目集的集合。AprioriTid算法的過程主要包含以下步驟：

第一步根據(jù)項目事務數(shù)據(jù)庫數(shù)據(jù)條目確定最小置信度mincon及最小支持度minsup[6]。

第二步掃描事務數(shù)據(jù)庫D得到候選項目集Ck，并對項目集計數(shù)，利用Ck中支持度大于等于最小支持度的項目集構造Ck，由Ck統(tǒng)計頻繁k項集Lk，對頻繁k項集Lk中各項目計數(shù)，在Lk中去掉出現(xiàn)次數(shù)小于迭代次數(shù)k的項，則得到Lk′。

第三步將頻繁Lk′項集中集合元素按照連接規(guī)則進行連接，迭代產(chǎn)生候選Ck+1項集。計算出其每一項集的支持度，與最小支持度進行比較，使用頻繁項集性質的先驗知識，獲得頻繁Lk+1′項集。通過上述步驟不斷迭代產(chǎn)生新的候選項集和頻繁項集，當獲得最大頻繁項集，最小支持度小于迭代次數(shù)時循環(huán)終止[7]。

2 AprioriTid算法在科研量化分析與評價中的應用

使用AprioriTid算法發(fā)掘高?？蒲许椖扛黜椫笜酥g的關聯(lián)規(guī)則，需首先確立進行數(shù)據(jù)挖掘的事務數(shù)據(jù)庫，并對數(shù)據(jù)進行有效性清理和轉換，再進行數(shù)據(jù)挖掘。

2.1 事務數(shù)據(jù)庫處理

評估高?？乒ぷ餮辛炕c評價的主要指標通常有：項目級別、類型、經(jīng)費、成果形式，這些是客觀的評價指標。為了體現(xiàn)出科研成果的優(yōu)略，本文又加入了專家對成果評測的主觀評價指標，即要求專家對科研項目成果按照“一般”、“良好”、“優(yōu)秀”和“特別優(yōu)秀”4個檔次定性判斷科研項目成果的總體評價。

根據(jù)科研項目量化和評估的方案設計及指標體系，采用布爾量化的方法，把項目級別分為國家級、省部級、市廳級和學院級四等，分別記為 i1，i2，i3，i4；類型分為自然和社科兩類分別記為 i5，i6；經(jīng)費（X）分為大于四萬元（X＞4W）、一萬元到四萬元之間（1W≤X≤4W）、一萬元以下（X＜1W）3個范圍，分別記為 i7，i8，i9；總體定性評價指標分別用 i10（一般），i11（良），i12（優(yōu)），i13（特別優(yōu)秀）表示。然后，用 1表示布爾變量的是，0表示布爾變量的非。以某高校當年的科研項目數(shù)據(jù)為例，從當年的科研管理系統(tǒng)數(shù)據(jù)庫中任意選取10條項目事務，布爾量化后的項目事務數(shù)據(jù)庫如表1所示。

表1 項目事務數(shù)據(jù)庫Tab.1 Projects of transaction database

2.2 數(shù)據(jù)挖掘過程

應用AprioriTid算法進行數(shù)據(jù)挖掘的過程，就是不斷地連接和剪枝的過程，最后形成滿足要求的最大頻繁項集，設置最小支持數(shù)為2，最小置信度為75%。具體操作步驟如下：

第一次掃描事務數(shù)據(jù)庫，統(tǒng)計每條事務非零的項目，得到事務表 B（見表2）；掃描表B，得到候選項目集C1（見表 3），并對項目集計數(shù)，利用C1中支持度大于等于最小支持度2的項目集構造C1（見表4）；對C1各事務的項集進行重新統(tǒng)計，得到的L1是C1由中支持度大于2的項集組成。因為L1中各項目的計數(shù)均大于1，L1如表 5所示。 所以L1′=L1。

第二次掃描事務數(shù)據(jù)庫，將頻繁L1′項集的元素組成二元組，構造C2，掃描C1對C2中項目集計數(shù)，利用C2中支持度大于等于最小支持度2的項目集產(chǎn)生C2。由C2得到L2，對L2中各項目計數(shù)，發(fā)現(xiàn)所有項目的出現(xiàn)次數(shù)均大于2。因此得到L2′=L2。

第三次掃描事務數(shù)據(jù)庫，將頻繁L2′項集的元素組成三元組，構造C3，掃描C2對C3中的項目集計數(shù)，利用C3中支持度大于等于最小支持度2的項目集構造C3。由C3得到L3，對L3中各項目計數(shù)，發(fā)現(xiàn)3，6項目的出現(xiàn)次數(shù)均小于3。因此，在L3刪除包含這兩個項目的項目集，得到的L3′。

表2 事務數(shù)據(jù)表BTab.2 The transaction database B

表3 候選C1項支持度Tab.3 Candidate C1 support

表4 代替數(shù)據(jù)庫D的C2Tab.4 C2 instead of the database D

表5 頻繁1項集L 1Tab.5 Frequent 1 item sets L1

第四次掃描事務數(shù)據(jù)庫，將頻繁L3′項集的元素組成四元組，構造C4（見表6），掃描C3對C4中的項目集計數(shù)，利用 C4中支持度大于等于最小支持度2的項目集構造C4（見表7）。由 C4得到 L4，對 L4中各項目計數(shù)，發(fā)現(xiàn) 2，5，8，12 這 4 個項目的出現(xiàn)次數(shù)均小于4，因此在L4刪除包含這4個項目的項目集，得到的 L4′=?，所以推導循環(huán)結束，最后結果為 L4（見表8）。

表6 候選項目集C4Tab.6 The candidate item sets C4

表7 代替數(shù)據(jù)庫D的C4Tab.7 C4 instead of the database D

表8 頻繁4項集L 4Tab.8 Frequent 4 item sets L4

最后得到的關聯(lián)規(guī)則為：省部級，自然科學類，1萬≤經(jīng)費≤4萬，優(yōu)秀。該規(guī)則說明省部級、自然學科類、經(jīng)費在1萬到4萬之間的科研項目占項目總數(shù)的三分之一，且該類科研成果在專家總體評測中大多會被評為優(yōu)秀。通過逐步擴大項目事務庫中的項目事務數(shù)，得出的關聯(lián)規(guī)則基本和L4中得到的關聯(lián)規(guī)則基本吻合，從而說明該校在科研項目量化評價中省部級自然科學類項目，經(jīng)費開銷控制在1萬到4萬之間的項目最有可能被專家評價為優(yōu)秀。

3 結束語

利用關聯(lián)規(guī)則挖掘的AprioriTid算法對科研項目規(guī)律進行挖掘，通過最小支持度和最小置信度，可以分析各項評價指標的相關性，可以挖掘出各項指標之間隱藏的關聯(lián)關系。研究表明，利用關聯(lián)規(guī)則數(shù)據(jù)挖掘技術對科研項目數(shù)據(jù)庫進行分析和處理，發(fā)現(xiàn)和提取隱藏在數(shù)據(jù)背后的有效知識，能為高?？蒲辛炕c評價提供非常有價值的參考。

[1]HAN J，Kamber M.數(shù)據(jù)挖掘:概念與技術[M].范明，孟小峰，譯.北京:機械工業(yè)出版社，2001.

[2]萬宇文，黃林穎，甘登文.基于權值的關聯(lián)規(guī)則挖掘改進算法[J].計算機與現(xiàn)代化，2014（4）:73-76.WAN Yu-wen，HUANG Lin-yin，GAN Deng-wen.A new weight-based association rules mining algorithm[J].Computer and Modernization，2014（4）:73-76.

[3]彭碩，吳昊.基于MDPI的多維關聯(lián)規(guī)則算法的研究[J].微電子學與計算機，2011，28（1）:78-82.PENG Shuo，WU Hao.The research for multidimensional association rules algorithm based on MDPI[J].Microelectronics and Computer，2011，28（1）:78-82.

[4]郝曉飛，譚躍生，王靜宇.Hadoop平臺上Apriori算法并行化研究與實現(xiàn)[J].計算機與現(xiàn)代化，2013，1（3）:1-4，8.HAO Xiao-fei，TAN Yue-sheng，WANG Jing-yu.Research and implementation of parallel apriori algorithm on hadoop platform[J].Computer and Modernization，2013，1（3）:1-4，8.

[5]劉美玲，蘇毅娟.基于Apriori的Web訪問模式挖掘算法[J].計算機與現(xiàn)代化，2013，218（10）:1-5.LIU Mei-lin，SU Yi-juan.Apriori-based web traversal pattern mining algorithm[J].Computer And Modernization，2013，218（10）:1-5.

[6]詹芹，張幼明.一種改進的動態(tài)遺傳Apriori挖掘算法[J].計算機應用研究，2010，27（8）:2929-2930.ZHAN Qin，ZHANG You-ming.Improved dynamic genetic apriori mining algorithm[J].Application Research of Computers，2010，27（8）:2929-2930.

[7]嚴華，陳文菁.關聯(lián)規(guī)則在學生成績分析中的應用[J].福建醫(yī)科大學學報：社會科學版，2008（1）:46-49.YAN Hua，CHEN Wen-jing.As sociat ion rules and applicat ion in analysis of students.grade[J].Journal of Fujian Medical University:Social Science Edition，2008（1）:46-49.