吳軍，李紅梅

(遵義師范學(xué)院 信息工程學(xué)院，貴州遵義，563000)

0 引言

隨著數(shù)據(jù)庫系統(tǒng)的逐漸壯大，傳統(tǒng)數(shù)據(jù)庫提供的搜索查詢等功能已無法再滿足人們的需求，其中最主要的問題是這些數(shù)據(jù)中隱藏著許多無法通過肉眼觀察發(fā)現(xiàn)的重要信息，為了解決這一問題，誕生了數(shù)據(jù)挖掘技術(shù)[1]。數(shù)據(jù)挖掘技術(shù)在計算機科學(xué)領(lǐng)域內(nèi)具有舉足輕重的地位，且得到了廣泛的應(yīng)用[2-4]，其中，關(guān)聯(lián)規(guī)則挖掘是一種常用的數(shù)據(jù)分析技術(shù)[5]。

社會對于青少年的評價方式和標準與學(xué)生的自我認知或多或少會存在一定程度的分歧，為了調(diào)查學(xué)生群體對自我的認知以及他們心中合理的評價標準，本文將類關(guān)聯(lián)規(guī)則挖掘技術(shù)應(yīng)用到了其中。具體研究方法為：第一步，針對研究問題設(shè)計了問卷，并將制作好的調(diào)查問卷通過線上填寫的方式進行發(fā)放。第二步，對問卷數(shù)據(jù)進行了清洗和整理，并利用Apriori算法[6]對通過調(diào)查問卷得到的初始集合進行頻繁項集挖掘。第三步，為了驗證挖掘到的頻繁項集的穩(wěn)定性和可靠性，利用了統(tǒng)計顯著性檢驗中一種比較常見的方法—置換檢驗方法[7]對挖掘結(jié)果進行驗證，并將通過驗證的項集轉(zhuǎn)化成相應(yīng)的類關(guān)聯(lián)規(guī)則形式。最后，根據(jù)生成的類關(guān)聯(lián)規(guī)則結(jié)合大學(xué)生的具體情況進行分析。這些通過分析得到的結(jié)論能夠促進大學(xué)生心理健康的發(fā)展。

1 數(shù)據(jù)生成

針對該研究問題，由于沒有現(xiàn)成的數(shù)據(jù)，故使用了問卷調(diào)查的方式來生成研究問題所需的研究數(shù)據(jù)。設(shè)計的問卷中一共包含22個問題，且所有問題均為客觀題。舉三個例子：

(1)三觀是否是決定一個人優(yōu)秀的重要原因？

A.是，優(yōu)秀的人三觀都很正；

B.不是，優(yōu)秀的人三觀也不一定正；

C.因人而異，三觀不一定決定一個人是否優(yōu)秀。

(2)對于你來說，學(xué)習(xí)更重要的是樂趣還是任務(wù)？

A.樂趣；

B.任務(wù)；

C.以前是樂趣，現(xiàn)在是為了完成任務(wù)；

D.以前為了完成任務(wù)，現(xiàn)在是種一樂趣。

(3)你認為自己是一個孤獨的人？

A.是，性格比較內(nèi)向，生活中也沒什么朋友；

B.不是，性格比較外向，生活中有許多朋友；

C.是，雖然性格外向朋友也很多，但感覺他們不能走進自己內(nèi)心；

D.不是，雖然性格內(nèi)向朋友很少，但有幾個理解自己的好朋友。

問卷采用線上提交的方式發(fā)放，同時，為了提高數(shù)據(jù)的真實性及可靠性，發(fā)放時沒有地區(qū)局限性。經(jīng)過一個月的宣傳，共收到984份有效的調(diào)查問卷。從線上平臺提取到這些問卷后，對其中的數(shù)據(jù)進行了清洗，并整理成<編號,屬性1,屬性2, … , 屬性22 >形式以匹配后續(xù)的頻繁項集挖掘算法。

2 頻繁項集挖掘

在海量的數(shù)據(jù)集中有大量的長度為1的項集，這些1項集在自由組合后會產(chǎn)生數(shù)量更多長度更長的項集。為了從海量的數(shù)據(jù)集中快速的挖掘出頻繁項集，Agrawal等人發(fā)現(xiàn)了頻繁項集的所有非空子集也一定是頻繁的這一性質(zhì)[6]，并根據(jù)該性質(zhì)提出了經(jīng)典的Apriori算法來挖掘頻繁項集。該算法主要由以下兩個部分組成：

(1)連接方法

為了找到長度為l的頻繁項集的集合Rl，Apriori算法將長度為l-1的頻繁項集與自身連接得到了Rl的超集。具體的連接方法是假定r1和r2是Rl-1中的兩個頻繁項集，ri[j]表示項集ri的第j個項，且項是具備一定的順序的。如果r1和r2中有且僅有前k-2個項是相同的，那么r1和r2是可連接的，連接后的項集為{r1[1],r1[2],…,r1[l-1],r2[l-1]}。為了不在結(jié)果中出現(xiàn)重復(fù)的項集，連接還假定r1[l-1]必須小于r2[l-1]。

(2)剪枝方法

上述步驟完成后便能夠得到Rl的超集，即Rl中一定包含了所有長度為l的頻繁項集，但其中也可能存在一些不頻繁的長度為l的項集。在剪枝步驟中，逐個計算Rl中每個項集的支持度值，如果某個項集的支持度值大于用戶自定義的一個閾值m_support，那么該項集就被認定為頻繁項集。該定義利用了頻繁項集的反單調(diào)性，即一個項集的任意非空子項集也必須是頻繁項集。

詳細的Aprori算法步驟如下：

(1)找到所有長度為1的項集，并對使用他們使用連接方法生成2長度項集的超集C2；

(2)計算C2中每個2長度項集的支持度，將支持度值小于m_support閾值的項集刪掉，就得到了長度為2的頻繁項集集合R2；

(3)對R2中的頻繁項集使用連接方法生成3長度項集的超集C3；

(4)計算C3中每個3長度項集的支持度，將支持度值小于m_support閾值的項集刪掉，就得到了長度為3的頻繁項集集合R3；

(5)重復(fù)上述步驟得到長度更長的頻繁項集集合Rl，直到通過連接方法生成的Cl+1集合為空集。

Apriori算法的步驟比較簡單，但其計算開銷較高，原因是每次計算Cl中頻繁項集的支持度就需要掃描一次數(shù)據(jù)集合。從降低計算開銷的角度出發(fā)，研究人員提出了一些計算開銷更少的頻繁項集挖掘算法，例如FP-Growth算法[7]，Eclat算法[8]等。

3 置換檢驗

置換檢驗20世紀30年代由Fisher提出，它是一種常用的顯著性檢驗方法[9]。其根本思想是通過置換構(gòu)建零分布并從中計算出能夠度量統(tǒng)計顯著性的p-value值。根據(jù)p-value值大小能夠決定是否拒絕零假設(shè)，從而保留了一些穩(wěn)定可靠的結(jié)果并剔除了一部分偶然性結(jié)果。

使用最為廣泛的置換檢驗方法是標準置換檢驗[10]。一般而言，其包括以下3個步驟：

(1)選擇一個與零假設(shè)匹配的量化值，該量化值能夠體現(xiàn)零假設(shè)與備擇假設(shè)的差異，并從初始集合中計算出挖掘結(jié)果的量化值。

(2)在零假設(shè)的基礎(chǔ)上任意置換初始集合的類型屬性值，置換后會生成一個隨機集合。對該隨機集合進行頻繁項集挖掘并計算出這些項集的量化值。重復(fù)實施該過程多次后，用得到的所有量化值構(gòu)建零分布。

(3)將初始集合中的頻繁項集的量化值放置到上述零分布中，便可以計算出每個頻繁項集的p-value值。

在現(xiàn)實應(yīng)用中，通過執(zhí)行所有的置換得到零分布是不現(xiàn)實的。舉個例子，假設(shè)初始集合含有500條數(shù)據(jù)，那么它可能產(chǎn)生的隨機集合數(shù)量為500的階乘，這是一個非常巨大數(shù)字。因此，構(gòu)建零分布時，通常指定一個合理的置換次數(shù)，常用的設(shè)置為500，1000或2000。

得到非隨機產(chǎn)生的頻繁項集后，本文通過如下步驟產(chǎn)生類關(guān)聯(lián)規(guī)則：

(1)將帶有類型屬性的頻繁項集進行分離，以生成候選類關(guān)聯(lián)規(guī)則。

(2)計算這些類關(guān)聯(lián)規(guī)則的置信度，若其滿足用戶自定義的最小置信度閾值m_confidence，則其被認定類關(guān)聯(lián)規(guī)則。

4 實驗流程

詳細的面向?qū)W生認知數(shù)據(jù)的類關(guān)聯(lián)規(guī)則挖掘方法如圖1所示。

圖1 類關(guān)聯(lián)規(guī)則生成流程

具體的解釋如下：

(1)將問卷數(shù)據(jù)整理成<編號,屬性1,屬性2, … , 屬性22 >的形式。

(2)使用Apriori算法挖掘初始集合中的初始頻繁項集，其中m_support設(shè)置為200。

(3)對初始集合進行2000次置換得到隨機集合，挖掘這些隨機集合中的頻繁項集并計算他們的量化值。

(4)使用第三步中的所有量化值構(gòu)建零分布，并從該零分布中計算出頻繁項集的p-value值，如果p-value值小于0.05就認為該頻繁項集不是隨機產(chǎn)生的，并將它保留下來。

(5)將每個保留下來的頻繁項集轉(zhuǎn)化為候選類關(guān)聯(lián)規(guī)則的形式，并計算其相應(yīng)的置信度值，如果大于0.7就認為該類關(guān)聯(lián)規(guī)則是可信的，即m_confidence為0.7。

5 結(jié)果分析

通過挖掘得到的類關(guān)聯(lián)規(guī)則可以看出：男生比女生更容易感到孤獨；女生比男生認為家長對學(xué)生的影響更為重要；女生和男生一樣喜歡玩電腦游戲；成績好壞對學(xué)生戀愛沒有影響；男生和女生都認為在戀愛中應(yīng)當共同付出共同進步；成績好壞不影響學(xué)生對未來的規(guī)劃，大部分學(xué)生明確規(guī)劃過自己的未來，并且朝著自己的規(guī)劃努力；高年級學(xué)生比低年級學(xué)生更喜歡運動。此外，結(jié)合社會群體對大學(xué)生的認知，可以發(fā)現(xiàn)的區(qū)別是：大部分社會人士認為成績好的學(xué)生就是優(yōu)秀的，但大部分大學(xué)生不贊成將學(xué)習(xí)作為人格優(yōu)秀的評判標準；大部分社會人士認為大學(xué)生活豐富多彩，大學(xué)生能從中交到許多志同道合的朋友，但實際上大部分大學(xué)生都認為自己是孤獨的，雖然有許多朋友但很少有人能真正的了解自己。

由上述結(jié)果可以得出的結(jié)論是大眾給大學(xué)生群體的評價和大學(xué)生群體的自我認知是存在誤差的。成績、三觀、專注程度等都不能單獨作為評判一個人的標準，看似活潑的大學(xué)生群體實際其中大部分人都感到內(nèi)心孤獨，這些結(jié)果在傳統(tǒng)的認知中是不被大家所了解的，人們應(yīng)該改變對大學(xué)生的刻板印象，從細節(jié)和生活去關(guān)愛和了解每一個學(xué)生，以促進大學(xué)生心理健康的發(fā)展。

6 結(jié)論

本文針對學(xué)生認知數(shù)據(jù)使用了數(shù)據(jù)挖掘領(lǐng)域中的類關(guān)聯(lián)挖掘技術(shù)挖掘其中的規(guī)則，為了增強結(jié)果的可信度，還引入了標準置換檢驗來對報告的規(guī)則進行統(tǒng)計顯著性檢驗。最后，將保留的統(tǒng)計顯著的類關(guān)聯(lián)規(guī)則與領(lǐng)域知識相結(jié)合進行了討論。在未來的工作中，不僅會專注于新的模式發(fā)現(xiàn)算法的設(shè)計，還會探索更多的統(tǒng)計顯著性檢驗方法。除此之外，后續(xù)研究也會繼續(xù)探索更多模式發(fā)現(xiàn)技術(shù)的應(yīng)用。