改进型关联规则算法在教学评价系统中的研究叶茂华摘要：高校一般采用综合评定的手段对教学质量进行评估，评估结果不仅有助于教师及时发现问题，也能够对教学管理者进行管理决策。本文提出了一种改进型的关联规则算法并用于高校教学评价系统中，该算法的运用对高校教学质量的提高与发展有着重要的积极意义。关键词：高校；改进型关联规则；教学评价DOI：10.16640/j.cnki.37-1222/t.2017.23.2421引言高校一般采用定量评价的方法来实现对教学情况的客观评价，通过各方面的量化打分来反映教师的实际教学情况。目前高校对评价数据的发掘利用仍停留在数据表面，仅通过分值的高低采取相应的奖惩措施，对数据背后的潜在规律缺乏深入的认识和挖掘，导致大数据的价值得不到有效利用，因此利用关联规则算法对评价结果进行数据挖掘，对高校的管理与决策有着现实意义。2关联规则算法介绍关联规则主要用于发现事务各属性间的潜在联系性，为事务的相关决策提供有力支持。在高校教学评价系统中，利用关联规则对大量的评价数据进行挖掘，能够发现诸多潜在的有用价值。例如在教师队伍中具有博士学位的教师，教学质量为优秀的比例最高，因此可以推断教学质量与教师学历有着重要的关系，高校可以鼓励教师进修学习，提高个人学历，进而提升高校的教学水平。（1）事务与项。事务是指描述的对象，项是指事务可能具有的属性，一般采用数据集的形式描述事务与项的关联关系。如表1所示，数据集的每一行表示一组记录，对应一个事务的描述，每一列表示一种事务可能存在的属性，整张数据表称为数据库的全体事务集。某一行某一列数据为“1”则表示该行所指事务具备该列所指属性，数据为“0”则表示该事务不具备该属性。（2）数据项集。在关联规则中数据项的集合也被称为数据项集，如果某项集共包含k个项，则称为k-项集，当k为0时为空项集，在项集中任意一个项都是该数据项集的一个子集。（3）数据项集的支持度。在全体事务集中某项集X出现的次数称为全体数据项集对项集X的支持数，进一步利用概率值表示該支持数，即支持数比上全体事务集的总项数即为数据项集对项集X的支持度。（4）关联规则。对于全体事务数据集中不相交的两项集X与Y，通过表达式X?Y来表示项集间的关联规则，并利用规则支持度（Sup（XY））与规则可信度（Conf（XY））两个指标来表示项集X与项集Y关联规则的强度。3改进型关联规则挖掘算法介绍改进型关联规则挖掘方法首先利用关联规则对全体事务数据集进行预处理，剔除非频繁项集的候选子集以减少数据处理量；其次对数据库进行全面的扫描处理，运用哈希函数、分组表等方式对全体事务集中的事务树进行剪枝处理，极大减少了数据库的扫描时间，提高了全体事务集中频繁项集的提取速度，使得算法的效率得到显著提高。算法的具体实施流程如下所述：（1）产生频繁2-项集。利用哈希函数对全体事务数据库进行扫描处理，生成频繁2-项集。（2）修剪数据库。通过生成的频繁2-项集，对全体事务数据库进行修剪，剔除非频繁2-项集的其他无交集项目，减少了待处理的数据量，节约了数据的存储空间。（3）数据分组记录。根据数据与频繁2-项集的关联关系将修剪得到的数据分别存入相应的分组数据表中以待进一步处理。（4）产生候选项目集。从频繁2-项集开始搜索，通过相邻层频繁项集的结合建立频繁项树，并通过剪枝操作对关系树进行修剪，最终得到全部候选项目集。（5）产生频繁项目集。对候选项目集的支持度进行计算，若某项集中分组表的支持度均大于等于某一阈值，则该候选项集为频繁项目集。4改进型关联规则挖掘算法在高校教学评价中的具体应用根据改进型关联规则挖掘算法的具体设计要求，并对现有的教学评价数据及各教学主体的实际需求进行分析，整个数据挖掘分析子模块工作流程图如图1所示。从图中可以看出，改进型关联规则算法主要通过以下三个步骤。第一步数据预处理阶段，通过对收集的教学评价数据表进行预处理，将冗余的字段信息进行删除，得到教学评价因素信息表。对于部分学生的非正常评价，可设置条件进行删除，以避免对后续评价结果的影响。第二步采用关联规则算法对频繁项集进行确认，由于在数据表中有些...