摘要：关联规则是数据挖掘的一个研究方向，它可以通过对大量数据中数据项相关性的分析，挖掘各数据项之间的内在联系。高校各个专业课程既相互独立，又存在一定的先后顺序，课程的学习彼此之间也会有一定的影响。一门课程的学习情况可能会影响其他相关课程的学习。运用关联规则技术对学生专业课程成绩进行分析，揭示各专业课程之间的内在联系，为学生专业课程的选择和学习提供指导意见，为人才培养方案的制定及课程的合理设置提供有价值的参考依据。
　　关键词：数据挖掘;关联规则;课程相关性;分析
　　中图分类号：TP301.6 文献标识码：A
　　文章编号：1009-3044（2019）35-0253-03
　　近年来随着高等教育的不断发展与普及，为确保教学质量，很多高等院校完善和加强教学管理，在具体的教学管理过程中，聚集了海量的原始教学信息，但是目前对这些原始教学信息的使用，仅仅停留在简单的查询和统计阶段，没有更深层次地挖掘其内在的更有价值的信息。这些原始的教学信息往往蕴藏着一定的教学规律和模式，而有一些教学规律和模式往往是隐含在这些原始教学信息的背后，因此为了充分发挥这些原始教学信息的作用，需要运用数据挖掘技术的分析方法，对它们进行更加深入的分析和研究。
　　数据挖掘是从数据库的大量数据中挖掘出有用的信息，即从大量的实际应用数据中，发现人们之前未知的、有规律的信息和知识的非平凡过程[1][2]。关联规则是据挖掘中运用极其广泛的研究方法之一，主要是探究各个数据项之间联系规则。高校各个专业课程不仅存在一定先后顺序，而且设置不同的专业方向，这给学生在选择和学习专业课程上带来一定的困扰。关联规则技术可以通过对学生专业课程成绩进行分析，发现隐藏在学生专业课程成绩背后的各专业课程之间的内在联系，为学生专业课程的选择和学习提供指导意见，为人才培养方案的制定及课程的合理设置提供有价值的参考依据。
　　1 关联规则
　　关联规则最初用于购物篮的分析，缓过对交易数据库中不同商品的分析，发现数据库中不同商品之间的联系规则，这些规则有可能是人们之前未知的或者被隐含的[3]。
　　1.1关联规则的定义
　　设I= {I1，I2，…，Im）是一个项目集，事务数据库D={t1，t2，…，tn}，其中事务数据库每个事务ti（i=l，2…，n）都是I上的一个子集[5]。
　　1）支持度：设I1∈I项目集I1在事务数据库D上的支持度support（I1）=‖{t∈D|I1∈t}‖/‖D‖;
　　2）频繁项目集：若support（I1）不小于用户指定的最小支持度minsup，I1即是频繁项目集，如果I1不被其他的项目集所包含，I1就是最大频繁项目集;
　　3）关联规则：设I1、I2是最大频繁项目集中的互不相交两个子集，则I1→I2称为关联规则;
　　4）置信度：I1→I2的置信度就是包含I1、I2的事务数与包含I1的事务数的比值，conf（I1→I2）=support（I1∪I2）/support（I1）
　　1.2关联规则的基本思路[5]
　　关联规则的经典算法是Apriori算法，它是根据事先指定的最小支持度，运用逐层扫描的方法，发现最大频繁项集。Aprio-ri算法可以分为两个子问题[6]：
　　1）发现最大频繁项目集：根据事先指定的最小支持度min-sup，运用逐层扫描的方法，依次产生不小于最小支持度的各个频繁项目集，最终遴选出最大频繁项集。
　　2）生成关联规则：根据事先指定的最小置信度minconf，在每个最大频繁项目集中，遴选出满足最小置信度的关联规则。
　　1.3频繁项目集的产生过程[7]
　　1）频繁项目集L1：根据事先指定的最小支持度minsup，第一次扫描事务数据库，遴选出不小于最小支持度的1频繁项目集L1;
　　2）频繁项目集L2：自连接L1中所有项目，形成2-候选项C2，第二次扫描事务数据库，遴选出不小于最小支持度的2频繁项目集L2;
　　3）重复上述过程，直到没有新的候选项集出现时，算法终止，最终遴选出最大频繁项集。
　　1.4 Apriori核心算法[4]
　　Ll={large 1-itemsets}
　　for（k=2;Lk一1≠Φ;k ）do begin
　　Ck=apriori-gen（Lk-1）//新的候选集
　　for all transactions∈D do begin
　　Ct=subset（Ck，t）//事务t中包含的候选集
　　for all candidateS∈Ct do c.count
　　end
　　Lk={c∈Ck|c.count