基于關(guān)聯(lián)規則算法的高職英語(yǔ)教學(xué)中的分析研究論文
摘 要：本文重點(diǎn)討論數據挖掘算法在高職英語(yǔ)教學(xué)中的應用和研究，文中以無(wú)錫科技職業(yè)學(xué)院為模型，采用關(guān)聯(lián)規則算法挖掘該校所屬學(xué)生在三個(gè)學(xué)期之內的英語(yǔ)成績(jì)的分布和相關(guān)影響結果。
關(guān)鍵詞：關(guān)聯(lián)規則算法；英語(yǔ)教學(xué)
1 引言
近年來(lái)，隨著(zhù)中國社會(huì )經(jīng)濟的飛速發(fā)展，市場(chǎng)經(jīng)濟體制的不斷完善，特別是加入WTO后，使中國企業(yè)有更多的機會(huì )在全球發(fā)達的市場(chǎng)中展示實(shí)力和發(fā)展自己的事業(yè)，實(shí)現了跨國經(jīng)營(yíng)。國際大學(xué)英語(yǔ)人才在社會(huì )經(jīng)濟發(fā)展中的作用也因此越來(lái)越受到各類(lèi)企事業(yè)單位的重視�？墒�，市場(chǎng)對大學(xué)英語(yǔ)人才的需求是多元化的，它不僅需要傳統意義上的“學(xué)術(shù)型”人才，更需要“技術(shù)型”，“技能型”應用人才。為此，我們必須探討符合時(shí)代發(fā)展要求的人才培養模式，否則高職大學(xué)英語(yǔ)就不能形成自己的特色，就無(wú)法建立起有別于普通高職“大學(xué)英語(yǔ)”的課程模式�！皬亩粫�(huì )具有很強的生命力，也就沒(méi)有它發(fā)展的空間，甚至失去它作為一種高等教育類(lèi)型存在的意義�！�
本文研究的重點(diǎn)是探討具有高職大學(xué)英語(yǔ)課程教學(xué)中關(guān)于數據挖掘算法在應用課程目標、課程內容，師資隊伍、教學(xué)方法、教學(xué)評價(jià)中所做的工作，這些是體現高職大學(xué)英語(yǔ)課程特色的關(guān)鍵所在。
2 關(guān)聯(lián)規則挖掘的建構
關(guān)聯(lián)規則挖掘是尋找數據項中的有趣聯(lián)系，決定哪些事情將一起發(fā)生。關(guān)聯(lián)規則挖掘研究是近幾年研究較多的數據挖掘方法，在數據挖掘各種方法中應用的也最廣泛關(guān)聯(lián)規則的發(fā)現可以分成兩個(gè)步驟：首先發(fā)現所有頻繁項集，然后用這些頻繁項集生成強關(guān)聯(lián)規則。Apriori算法是經(jīng)典的頻繁項目集生成算法，在數據挖掘界起著(zhù)里程碑的`作用，它的基本思想是利用一個(gè)層次順序搜索的迭代方法來(lái)生成頻繁項集，即利用K-項集來(lái)生成（K+1）-項集，用候選項集Ck找頻繁項集Lk。這個(gè)方法要求多次掃描可能非常大的交易數據庫。而用于關(guān)聯(lián)規則挖掘的事物數據庫的規模通常是非常大的，這樣一來(lái)，開(kāi)銷(xiāo)就非常大。而在有限的內存容量下，系統I/O負載相當大，每次掃描數據庫的時(shí)間就會(huì )很長(cháng)，這樣，其效率就非常低。
關(guān)聯(lián)規則挖掘的任務(wù)就是在事務(wù)數據庫D中找出具有用戶(hù)給定的最小支持度和最小置信度的強關(guān)聯(lián)規則。強關(guān)聯(lián)規則對應的項集必定是頻繁項集，而頻繁項集導出的關(guān)聯(lián)規則的置信度又可由頻繁項集和的支持率計算。于是，可以將關(guān)聯(lián)規則挖掘分解為以下兩個(gè)步驟：
步驟一：根據最小支持度找出D中所有的頻繁項集。
步驟二：根據頻繁項目集和最小置信度產(chǎn)生強關(guān)聯(lián)規則。
在上述兩個(gè)步驟中，步驟一的任務(wù)是迅速高效地找出D中全部的頻繁項集，關(guān)聯(lián)規則挖掘的整體性能由該步驟決定。因此，目前所有的關(guān)聯(lián)規則挖掘算法都集中在步驟一的研究上。步驟二是比較容易實(shí)現的，首先對于每個(gè)頻繁項集l，產(chǎn)生l的所有非空子集。然后對于每個(gè)l的非空子集s，如果，則輸出規則“s=>(l-s)”。
關(guān)聯(lián)算法如下：
輸入：交易數據庫D；最小支持度min_sup
輸出：交易數據庫D的頻繁項集L
1）L1={頻繁1項集}；
2）for(k=2；Lk-1≠；k++) {
3) Ck=Apriori-gen(Lk-1，min_sup)；//新的候選項目集
4） for 所有事務(wù)t∈D {
5) Ct=subset(Ck，t)；//t中所包含的候選
6） for 所有候選c∈Ct
7) c.count++；
8） }
9) Lk={c∈Ck│c.count≥minsup}
10) }
11）return L=∪kLk
3 挖掘結果
下表1是學(xué)院2007級學(xué)生入學(xué)以來(lái)三次大學(xué)英語(yǔ)的成績(jì)，在數據挖掘階段，先用前述的算法掃描數據庫，得到最小支持度閾值min_sup的全體頻繁項集，再由頻繁項集導出規則知識，最后，對挖掘結果加以解釋并轉換成易于理解的顯式知識。
表1 學(xué)生英語(yǔ)成績(jì)樣本
xh
k1
k2
k3
100072351
86
85
75
100072352
88
82
69
100072353
81
86
79
100072354
84
85
77
100072355
78
85
83
100072356
82
87
84
100072357
65
83
89
實(shí)例的運行結果與分析：假定取事務(wù)數為10。要對表中的優(yōu)秀課程進(jìn)行關(guān)聯(lián)規則挖掘，需要給出支持度和置信度。假定最小支持度為30%，置信度為50%。由上述分析得知，計算最終頻繁項集的各非空子集的置信度，刪除小于最小置信度閾值的記錄，最終產(chǎn)生關(guān)聯(lián)規則：
(1) k1，k2同時(shí)優(yōu)秀時(shí)，k3有大于67%的優(yōu)秀的可能；
(2) k1，k3同時(shí)優(yōu)秀時(shí)，k2有大于100%的優(yōu)秀的可能；
(3) k2，k3同時(shí)優(yōu)秀時(shí)，k1有大于100%的優(yōu)秀的可能；
(4) k1優(yōu)秀時(shí)，k2，k3有大于67%同時(shí)優(yōu)秀的可能；
(5) k3優(yōu)秀時(shí)，k1，k2有大于80%同時(shí)優(yōu)秀的可能。
參考文獻：
[1]邵峰晶、于忠清著(zhù).數據挖掘原理與算法[M].中國水利水電出版社，2008.8
[2]Robert Grossman.The Terabyte Challenge Disyte Challenge Discoverying Informationin Distributed and Massive Data[J]. American Association forArtificial Intelligence．CaliL 1991．
[3]林宇等著(zhù).數據倉庫原理與實(shí)踐[M].人民郵電出版社，2008.1
【基于關(guān)聯(lián)規則算法的高職英語(yǔ)教學(xué)中的分析研究論文】相關(guān)文章：
基于遺傳算法的優(yōu)化設計論文04-22
《中醫婦科學(xué)》證素診斷中關(guān)聯(lián)規則的運用論文01-29
基于微信平臺的高職英語(yǔ)教學(xué)設計探討論文07-19
關(guān)于高職英語(yǔ)教學(xué)中遺忘規律研究的論文07-23
高職英語(yǔ)教學(xué)中培養學(xué)生的關(guān)鍵能力論文06-29
CCD測量系統中基于自適應相關(guān)算法的動(dòng)態(tài)目標跟蹤的論文06-16