论文部分内容阅读
随着高校信息化建设的快速发展，各类高校管理系统中所存储的数据量也成几何级增长，高校大数据正在形成。面对高校大数据，高校迫切期望能对其进行分析挖掘，发现其中蕴藏的教学规律、规则，进而改进教学过程，提升学校教学质量。本文研究内容就是在这样背景下提出的。论文主要针对高校大数据特点及客观需求，提出了一种改进的Apriori算法，提高了挖掘效率;提出了一种混合规则衡量标准，解决了传统规则衡量标准准确性低的缺陷;最后结合改进后算法和新的规则衡量标准，构建了高校学生成绩挖掘系统原型，并给出了大数据分析的结论。本文具体工作内容如下: (1)提出了一种基于并行矩阵的Apriori算法(An Apriori Algorithm Based on Parallel Matrix简称Apriori_PM)。该算法通过对挖掘数据进行矩阵化，将整个挖掘过程中数据库的扫描次数缩减到两次，同时为提高算法并行挖掘能力，将算法的挖掘过程进行并行化改进，使算法更适用于分布式系统，大大的提高了挖掘效率。为了进一步提高算法的效率，本文针对挖掘过程中所产生的候选项集数量进行研究，提出了分阶段挖掘方式。 (2)改进了支持度-置信度规则衡量标准。为提高算法挖掘结果的准确性，本文提出了一种混合规则衡量标准，新标准中加入了作用度、有效度等标准，有效的弥补了原衡量标准挖掘准确性低的缺陷，并通过实验进行对比证明。 (3)基于MapReduce构建了高校学生成绩挖掘系统原型。系统以高校大数据中学生成绩作为挖掘数据源，基于上述数据挖掘算法和规则衡量标准，实现了一个成绩预测系统，用于挖掘高校学生成绩背后隐藏的规则，并对数据挖掘结果进行分析。 应用实验结果表明，本文所提算法在挖掘性能上优于Apriori_MR算法;所提出的混合规则衡量标准在规则的筛选上，相对于传统衡量标准而言准确性更高;所建系统针对不同的高校角色提供不同的数据挖掘服务，有益于高校教学水平的提升。