分析导航系统基于网络教学平台智能导航系统模型设计

论文导读：s(D)}For(X=2;LX1<>Φ;X++)dobeginCX=Apriori_gen(LX+1,min_sup)Foralltranctions∈DdobeginC1=subset(CX,t)Forallcandidatesc∈C1dobeginc.count++endendLX={CX|c.count>=min_sup}endeffect=UXLX阶段2:根据频繁集产生关联规则输入:频繁项集L和最小置信度
摘要:本文针对学生的自主型学习,运用关联规则挖掘Apriori算法和导航原理设计基于网络教学平台的智能导航系统模型。导航系统根据学生的频繁访问路径、学习记录等信息,为学生提供学习导航。
关键词:关联规则数据挖掘智能导航Apriori算法
1、引言
本文基于网络教学平台构建了网络课程学习的智能导航系统模型以充分实现网络化、智能化教学。智能导航系统能够根据学生的频繁访问路径、学习记录等信息,运用关联规则挖掘Apriori算法进行数据挖掘,形成学生们的学习记录和喜欢风格程序不同类型。同时,综合教师在知识给出的知识点关联与为学生提供知识点呈现不同类型的导航图,指导学生的自主性学习。

2、教学平台构建遵循的总体原则

本教学平台构建遵循的总体原则是“以异步学习为基础,以自主学习为中心,以学习资源为支撑,以合作学习为导向”。基于网络教学平台的学习首先应该是异步学习,充分利用网络的时间和空间两个自由度;其次要以学生为主体,营造有助于网络自主学习的环境,促进一种自主学习的文化;再次网络环境下的自主学习要利用网络海量的信息资源;最后网络教学平台的学习能够展开合作学习模式,从而培养学习者的合作精神和协同解决问题的能力。

3、总体结构分析与设计

基于网络教学平台的智能导航系统模型是基于知识点模型和学生个性化模型,运用学习关联路线方法原理和导航原理构造的。根据学生个性化信息确定正确的学习内容,运用关联规则挖掘的算法去寻找一个适合的知识点的学习过程,以不断提供适合学生个性的智能导航的服务。本文提出的网络课程学习智能导航系统模型,其总体结构设计运用了学习关联路线方法原理和导航原理,系统模型主要有学生个性化信息模块、学科知识库模块、Web挖掘模块、导航引擎生成模块四个模块。
学生个性化信息模块通过动态数据采集和静态数据采集收集学习者的学习特征、学习记录等信息,并存储在函数解释库;学科知识库模块由知识层次库和知识关联库组成,运用了知识关联结构的九元组和知识点模型构建的思想;Web挖掘模块,运用关联规则的Apriori算法对采集的信息以及课程知识关联信息进行数据挖掘;智能导航引擎生成模块,由导航树和页面合成,完全由服务器端的学科知识库和学生个性化信息模型来驱动,其中运用了关联规则挖掘算法思想,通过关联函数库和函数解释器生成知识点智能导航模型的结构图。当学生登录系统时,系统识别学生身份,导航引擎生成模块将挖掘数据结果与知识层次库和学习行为统整到学习内容页面,在学习界面上呈现导航结果。

4、实施挖掘模块设计

4.1 关联规则挖掘的Apriori算法

Apriori算法是挖掘布尔型关联规则频繁集的优秀算法,通过连接和剪枝完成关联规则的挖掘,以项集元素数目的逐步增长来发现频繁集,以频繁集为基础去发现关联规则。具体操作为:首先扫描事务数据库得到含有1个项目的候选集C1。在C1中寻找大于或等于最小支持度的1-项目频繁集L1,再利用L1与自身做连接运算,生成候选集C2,并在C2中找到包含2个项目且满足最小支持度的频繁集L2。依次类推,直到无法扩展元素数目为止。得到所有频繁集后,再根据最小置信度挖掘出管理规则。
阶段1:生成频繁项集
输入:事务数据库D,最小支持度阈值min_sup
输出:D中的频繁项目集L
L1={find_frequent_1-item set s(D)}
For(X=2;LX 1Φ;X++)do begin
CX=A priori_gen(LX+1,min_sup)
For all tranctions∈D do begin
C1=subset(CX,t)
For all candidates c∈C1 do begin
c.count++
end
end
LX={CX|c.count>=min_sup}
end
effect=UXLX
阶段2:根据频繁集产生关联规则
输入:频繁项集L和最小置信度值minconf
输出:关联规则
对于L中的每一个频繁项集l,产生l的所有非空子集。对于l中的每一个非空子集s,如果l的支持度除以s的支持度得到的结果大于等于最小置信度,写作Support(I)/support(s)≥minconf,则输出规则论文导读：吴业红.基于Web挖掘的智能远程教学平台探究.重庆科技学院学报:自然科学版,2010,12(06):185-186.李忠哗.关联规则挖掘在课程相关分析中的应用.河北农业大学学报,2010,33(03):58-60.崔学文.关联规则挖掘算法Apriori在学生成绩分析中的应用.河北北方学院学报:自然科学版,2011,27(01):44-4

7.上一页12

S(1-S);否则不输出。

4.2 Web挖掘技术实现步骤

Web挖掘技术通源于：论文格式怎么写www.7ctime.com
过数据采集、数据预处理、数据存储、实施挖掘算法和模式分析五个步骤来完成。
(1)数据采集。通过学生个性化信息模块的采集信息,将访问信息存放至服务器端的数据仓库中;通过知识层次库、知识关联库所采集的信息存放到关联数据库中。(2)数据预处理。对采集信息清理数据、用户识别、用户会话、事务识别等流程处理。(3)数据存储。将经过预处理后的数据存入事务数据库中。(4)实施挖掘算法。通过Apriori算法,发现给定数据集中项之间的相关联系。(5)可视化。通过可视化技术,将挖掘的数据结果与知识层次库和学习行为一起整合到学习内容页面,然后在学习界面上呈现给学习者,给学习者提供个性化的导航。
5、结语
本文运用学习关联路线方法原理和导航原理,在基于网络教学平台上进行了智能导航系统模型的设计,从而实现运用关联规则挖掘Apriori算法进行数据挖掘,形成导航图,指导学生的自主学习。随着数据挖掘技术的发展,有待于进一步分析算法,继续探索构建智能化学习平台,发挥网络智能教学的积极作用。
参考文献
吴业红.基于Web挖掘的智能远程教学平台探究.重庆科技学院学报:自然科学版,2010,12(06):185-186.
李忠哗.关联规则挖掘在课程相关分析中的应用[J].河北农业大学学报,2010,33(03):58-60.
[3]崔学文.关联规则挖掘算法Apriori在学生成绩分析中的应用[J].河北北方学院学报:自然科学版,2011,27(01):44- 47.